Импорт глубокого обучения, экспорт и индивидуальная настройка
Импортируйте сети и сетевую архитектуру от TensorFlow™-Keras, Caffe и формата модели ONNX™ (Open Neural Network Exchange). Можно также экспортировать обученную сеть Deep Learning Toolbox™ в формат модели ONNX.
Можно задать собственный слой глубокого обучения для проблемы. Можно задать пользовательские выходные слои и пользовательские слои с или без learnable параметров. Например, можно использовать пользовательский взвешенный слой классификации со взвешенной перекрестной энтропийной потерей для проблем классификации с неустойчивым распределением классов. Можно проверять слои на валидность, совместимость графического процессора и правильно заданные градиенты.
Для данных, которые не помещаются в память, можно создать и настроить хранилища данных, чтобы предварительно обработать данные для учебных нейронных сетей для глубокого обучения.
Функции
Темы
Пользовательские слои
Задайте пользовательские слои глубокого обучения
Узнать, как задавать пользовательские слои глубокого обучения
Проверяйте пользовательскую валидность слоя
Узнать, как проверять валидность пользовательских слоев глубокого обучения
Задайте пользовательский слой глубокого обучения с параметрами Learnable
Этот пример показывает, как задать слой PReLU и использовать его в сверточной нейронной сети.
Задайте пользовательский слой глубокого обучения с несколькими входными параметрами
Этот пример показывает, как задать пользовательский взвешенный слой сложения и использовать его в сверточной нейронной сети.
Задайте пользовательскую классификацию Выходной слой
Этот пример показывает, как задать пользовательскую классификацию выходной слой с ошибкой суммы квадратов (SSE) потеря и использовать его в сверточной нейронной сети.
Задайте пользовательский взвешенный слой классификации
Этот пример показывает, как задать и создать пользовательскую взвешенную классификацию выходной слой со взвешенной перекрестной энтропийной потерей.
Задайте пользовательскую регрессию Выходной слой
Этот пример показывает, как задать пользовательскую регрессию выходной слой с потерей средней абсолютной погрешности (MAE) и использовать его в сверточной нейронной сети.
Индивидуальная настройка datastore
Хранилища данных для глубокого обучения
Узнать, как использовать хранилища данных в применении глубокого обучения.
Подготовьте Datastore к регрессии от изображения к изображению
Этот пример показывает, как подготовить datastore к обучению сеть регрессии от изображения к изображению использование transform и функций combine ImageDatastore.
Обучите сеть Используя данные о последовательности из памяти
Этот пример показывает, как обучить нейронную сеть для глубокого обучения на данных о последовательности из памяти путем преобразования и объединения хранилищ данных.
Классифицируйте текстовые данные Используя сверточную нейронную сеть
Этот пример показывает, как классифицировать текстовые данные с помощью сверточной нейронной сети.
Классифицируйте текстовые данные из памяти Используя глубокое обучение
Этот пример показывает, как классифицировать текстовые данные из памяти с нейронной сетью для глубокого обучения с помощью преобразованного datastore.
Сетевое обучение и блок
Советы глубокого обучения и приемы
Узнать, как улучшить точность нейронных сетей для глубокого обучения.
Задайте пользовательскую функцию инициализации веса
Этот пример показывает, как создать пользовательское Он, инициализация веса функционирует для слоев свертки, сопровождаемых текучими слоями ReLU.
Соберите сеть от предварительно обученных слоев Keras
Этот пример показывает, как импортировать слои из предварительно обученной сети Keras, заменить неподдерживаемые слои на пользовательские слои и собрать слои в сеть, готовую к прогнозу.
Настройте Вывод во время обучения нейронной сети для глубокого обучения
Этот пример показывает, как задать выходную функцию, которая запускается в каждой итерации во время обучения глубоких нейронных сетей.
