超声成像--超声扫描显微镜的原理

随着计算机性能的提高以及云计算、GPU的出 现，计算量已经不再是问题。随着互联网的发展，通过网上保存数据、共享数据，使得获取海量数据不再困难。2006年，机器学习领域的泰斗Hinton等 在学术刊物《Neural Computation》上的一篇文章，开启了学术界和工业界的深层神经网络也就是深 度学习浪潮，深度学习理论研究渐入佳境，且在应用 领域显示出巨大潜力。在2012年迎来了历史性突 破后，深度学习已经扩展到机器学习的所有领域。

深层神经网络通过组合低级特征形成抽象的 高级特征，以表征数据的分布式特征，最典型的 模型有递归神经网络(Recurrent neural networks, RNN)、长短期记忆网络(Long short-term memory, LSTM)/门控递归单元网络(Gated recurrent unit,GRU)、卷积神经网络(CNN)、深度置信网络(Deep belief networks, DBN)，这些模型广泛用于各种领 域。深度学习的典型模型 Table 1 The typical models of deep learning 模型应用 RNN 语音识别、手稿识别 LSTM/GRU 自然语言文本压缩、手稿识别、语音识别 CNN 图像识别、视频分析、自然语言处理 DBN 图像识别、信息检索、自然语言理解、故障预测。其中，CNN模型多用于图像识别，通过卷积操作、参数共享、多个卷积核、池化降采样以及多层卷积提取图像的局部特征得到全局特征。