Глубокое обучение для изображений
Создайте новые глубокие сети для классификации изображений и задач регрессии путем определения сетевой архитектуры и обучения сети с нуля. Можно также использовать передачу, учащуюся использовать в своих интересах знание, обеспеченное предварительно обученной сетью, чтобы изучить новые шаблоны в новых данных. Подстройка предварительно обученной сети классификации изображений с передачей, учащейся, обычно намного быстрее и легче, чем обучение с нуля. Используя предварительно обученные глубокие сети позволяет вам быстро изучить новые задачи, не задавая и обучая новую сеть, имея миллионы изображений, или имея мощный графический процессор.
После определения сетевой архитектуры необходимо задать учебные параметры с помощью функции trainingOptions. Можно затем обучить сеть с помощью trainNetwork. Используйте обучивший сеть, чтобы предсказать метки класса или числовые ответы.
Можно обучить сверточную нейронную сеть на центральном процессоре, графическом процессоре, нескольких центральных процессорах или графических процессорах, или параллельно на кластере или в облаке. Обучение на графическом процессоре или параллельно требует Parallel Computing Toolbox™. Используя графический процессор требует, чтобы CUDA® включил NVIDIA®, графический процессор с вычисляет возможность 3.0 или выше. Задайте среду выполнения с помощью функции trainingOptions.
Приложения
| Deep Network Designer | Редактируйте и создавайте глубокие нейронные сети |
Функции
Примеры и руководства
Используйте предварительно обученные сети
Классифицируйте изображение Используя GoogLeNet
Этот пример показывает, как классифицировать изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
Классифицируйте изображения веб-камеры Используя глубокое обучение
Этот пример показывает, как классифицировать изображения от веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
Передайте изучение с Deep Network Designer
В интерактивном режиме подстройте предварительно обученную нейронную сеть для глубокого обучения, чтобы изучить новую задачу классификации изображений.
Обучите нейронную сеть для глубокого обучения классифицировать новые изображения
Этот пример показывает, как использовать передачу, учащуюся переобучать сверточную нейронную сеть, чтобы классифицировать новый набор изображений.
Извлеките функции изображений Используя предварительно обученную сеть
Этот пример показывает, как извлечь изученные функции изображений от предварительно обученной сверточной нейронной сети и использовать те функции, чтобы обучить классификатор изображений.
Передайте изучение Используя AlexNet
Этот пример показывает, как подстроить предварительно обученный AlexNet сверточная нейронная сеть, чтобы выполнить классификацию на новом наборе изображений.
Предварительно обученные глубокие нейронные сети
Узнать, как загружать и использовать предварительно обученные сверточные нейронные сети для классификации, изучения передачи и выделения признаков.
Создайте новую глубокую сеть
Создайте простую сеть глубокого обучения для классификации
Этот пример показывает, как создать и обучить простую сверточную нейронную сеть для классификации глубокого обучения.
Создайте сети с Deep Network Designer
В интерактивном режиме создайте и отредактируйте нейронные сети для глубокого обучения.
Обучите сверточную нейронную сеть для регрессии
Этот пример показывает, как соответствовать модели регрессии использование сверточных нейронных сетей, чтобы предсказать углы вращения рукописных цифр.
Список слоев глубокого обучения
Узнайте все слои глубокого обучения в MATLAB®.
Задайте слои сверточной нейронной сети
Узнайте о слоях сверточной нейронной сети (ConvNet) и порядке, они появляются в ConvNet
Сгенерируйте код MATLAB от Deep Network Designer
Воссоздайте сеть, созданную или отредактированную в Deep Network Designer путем генерации кода MATLAB.
Обучите остаточную сеть для классификации изображений
Этот пример показывает, как создать глубокую нейронную сеть с остаточными связями и обучить ее на данных CIFAR-10.
Концепции
Узнайте возможности глубокого обучения в MATLAB с помощью сверточных нейронных сетей для классификации и регрессии, включая предварительно обученные сети и изучение передачи и обучение на графических процессорах, центральных процессорах, кластерах и облаках.
Настройте параметры и обучите сверточную нейронную сеть
Узнать, как настраивать учебные параметры для сверточной нейронной сети
Предварительно обработайте изображения для глубокого обучения
Узнать, как, чтобы изменить размер изображений для обучения, прогноза и классификации, и как предварительно обработать изображения с помощью увеличения данных, преобразований и специализированных хранилищ данных.
Предварительно обработайте объемы для глубокого обучения
Считайте и предварительно обработайте объемное изображение и маркируйте данные для 3-D глубокого обучения.
Хранилища данных для глубокого обучения
Узнать, как использовать хранилища данных в применении глубокого обучения.
Преобразуйте сеть классификации в сеть регрессии
Этот пример показывает, как преобразовать обученную сеть классификации в сеть регрессии.
Советы глубокого обучения и приемы
Узнать, как улучшить точность нейронных сетей для глубокого обучения.
