Классифицируйте изображения от веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Используйте передачу, учащуюся переобучать сверточную нейронную сеть, чтобы классифицировать новый набор изображений.

Предскажите данные временных рядов с помощью сети долгой краткосрочной памяти (LSTM).

Подстройте предварительно обученную сеть GoogLeNet, чтобы классифицировать новый набор изображений. Этот процесс называется изучением передачи и обычно намного быстрее и легче, чем обучение новой сети, потому что можно применить изученные функции к новой задаче с помощью меньшего числа учебных изображений. Чтобы в интерактивном режиме подготовить сеть к изучению передачи, используйте Deep Network Designer.

Классифицируйте изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Используйте передачу, учащуюся переобучать ResNet-18, предварительно обученную сверточную нейронную сеть, чтобы классифицировать новый набор изображений. Попробуйте этот пример, чтобы видеть, как простой это должно начать с глубоким обучением в MATLAB®.

Создайте и обучите простую сверточную нейронную сеть для классификации глубокого обучения. Сверточные нейронные сети являются особыми инструментами для глубокого обучения и особенно подходят для распознавания изображений.

Создайте простую сеть классификации долгой краткосрочной памяти (LSTM).

Классифицируйте изображения от веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Используйте передачу, учащуюся переобучать сверточную нейронную сеть, чтобы классифицировать новый набор изображений.

Создайте глубокую нейронную сеть с остаточными связями и обучите ее на данных CIFAR-10. Остаточные связи являются популярным элементом в сверточной архитектуре нейронной сети. Используя остаточные связи улучшает поток градиента через сеть и включает обучение более глубоких сетей.

Подготовьте datastore к обучению сеть регрессии от изображения к изображению использование преобразования и функций объединения ImageDatastore.

Классифицируйте изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Извлеките изученные функции изображений от предварительно обученной сверточной нейронной сети и используйте те функции, чтобы обучить классификатор изображений. Выделение признаков является самым легким и самым быстрым путем использование представительная степень предварительно обученных глубоких сетей. Например, можно обучить машину вектора поддержки (SVM) с помощью fitcecoc (Statistics and Machine Learning Toolbox™) на извлеченных функциях. Поскольку выделение признаков только требует одного прохода через данные, это - хорошая отправная точка, если у вас нет графического процессора, чтобы ускорить сетевое обучение с.

Подстройте предварительно обученный AlexNet сверточная нейронная сеть, чтобы выполнить классификацию на новом наборе изображений.

Создайте и обучите простую сверточную нейронную сеть для классификации глубокого обучения. Сверточные нейронные сети являются особыми инструментами для глубокого обучения и особенно подходят для распознавания изображений.

Соответствуйте модели регрессии использование сверточных нейронных сетей, чтобы предсказать углы вращения рукописных цифр.

Преобразуйте обученную сеть классификации в сеть регрессии.

Классифицируйте данные о последовательности с помощью сети долгой краткосрочной памяти (LSTM).

Предскажите данные временных рядов с помощью сети долгой краткосрочной памяти (LSTM).

Обучите простую модель глубокого обучения, которая обнаруживает присутствие речевых команд в аудио. Пример использует Речевой Набор данных Команд [1], чтобы обучить сверточную нейронную сеть, чтобы распознать данный набор команд.

Классифицируйте каждый временной шаг данных о последовательности с помощью сети долгой краткосрочной памяти (LSTM).

Предскажите остающийся срок полезного использования (RUL) механизмов при помощи глубокого обучения.

Создайте сеть для видео классификации путем объединения предварительно обученной модели классификации изображений и сети LSTM.

Обучите нейронную сеть для глубокого обучения на данных о последовательности из памяти с помощью пользовательского мини-пакетного datastore.

Классифицируйте текстовые описания прогнозов погоды с помощью сети долгой краткосрочной памяти (LSTM) глубокого обучения.

Классифицируйте текстовые данные с помощью сверточной нейронной сети.

Классифицируйте текстовые данные из памяти с нейронной сетью для глубокого обучения с помощью преобразованного datastore.

Обучите сеть долгой краткосрочной памяти (LSTM) глубокого обучения генерировать текст.

Обучите сеть LSTM глубокого обучения, чтобы сгенерировать текст с помощью символьных вложений.

Обучите сеть LSTM глубокого обучения, чтобы сгенерировать текст пословно.

Классифицируйте изображения от веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Визуализируйте функции, изученные сверточными нейронными сетями.

Сгенерируйте изображения с помощью deepDreamImage с предварительно обученной сверточной нейронной сетью AlexNet.

Узнать, как сохранить сети контрольной точки при обучении сверточной нейронной сети и возобновить обучение от ранее сохраненной сети

Примените Байесовую оптимизацию к глубокому обучению и найдите оптимальные сетевые гиперпараметры и опции обучения для сверточных нейронных сетей.

Когда вы обучаете нейронные сети для глубокого обучения, часто полезно контролировать учебный прогресс. Путем графического вывода различных метрик во время обучения можно изучить, как обучение прогрессирует. Например, можно определить, если и как быстро сетевая точность улучшается, и начинает ли сеть сверхсоответствовать данным тренировки.

Используйте отображение активации класса (CAM), чтобы исследовать и объяснить прогнозы глубокой сверточной нейронной сети для классификации изображений.

Накормите изображением сверточную нейронную сеть и отобразите активации различных слоев сети. Исследуйте активации и узнайте, какие функции сеть изучает путем сравнения областей активации с оригинальным изображением. Узнайте, что каналы в более ранних слоях изучают простые функции как цвет и ребра, в то время как каналы в более глубоких слоях изучают комплексные функции как глаза. Идентификация функций таким образом может помочь вам понять то, что изучила сеть.

Обучите сверточное использование нейронной сети MATLAB автоматическая поддержка параллельного обучения. Обучение глубокому обучению часто занимает часы или дни. С параллельными вычислениями можно ускорить обучение с помощью нескольких графических блоков обработки (графические процессоры) локально или в кластере в облаке. Если у вас есть доступ к машине с несколькими графическими процессорами, то можно завершить этот пример на локальной копии данных. Если вы хотите использовать больше ресурсов, то можно увеличить обучение глубокому обучению к облаку. Чтобы узнать больше о ваших опциях для параллельного обучения, смотрите, Увеличивают Глубокое обучение параллельно и в Облаке. Этот пример проводит вас по шагам, чтобы обучить нейронную сеть для глубокого обучения в кластере в использовании облака MATLAB автоматическая параллельная поддержка.

Используйте parfeval, чтобы выполнить развертку параметра на глубине сетевой архитектуры для нейронной сети для глубокого обучения и получить данные во время обучения.

Отправьте пакетные задания обучения глубокому обучению в кластер так, чтобы можно было продолжить работать или закрыть MATLAB во время обучения.

Используйте несколько графических процессоров на своей локальной машине для обучения глубокому обучению использование автоматической параллельной поддержки. Учебные нейронные сети для глубокого обучения часто занимают часы или дни. С параллельными вычислениями можно ускорить обучение с помощью нескольких графических процессоров. Чтобы узнать больше об опциях для параллельного обучения, смотрите, Увеличивают Глубокое обучение параллельно и в Облаке.

Запустите несколько экспериментов глубокого обучения на своей локальной машине. Используя этот пример как шаблон, можно изменить сетевые слои и опции обучения, чтобы удовлетворить определенным потребностям приложения. Можно использовать этот подход с синглом или несколькими графическими процессорами. Если у вас есть один графический процессор, сети обучаются один за другим в фоновом режиме. Подход в этом примере позволяет вам продолжить использовать MATLAB®, в то время как эксперименты глубокого обучения происходят.

Используйте цикл parfor, чтобы выполнить развертку параметра на опции обучения.

Загрузите данные на блок Amazon S3.

Обучите семантическую сеть сегментации использование глубокого обучения.

Обучите объектный детектор с помощью метода глубокого обучения, названного вы только смотрите однажды (YOLO) v2.

Обучите нейронную сеть Очень глубокого суперразрешения (VDSR), затем используйте сеть VDSR, чтобы оценить изображение с высоким разрешением от одного изображения с низкой разрешающей способностью.

Импортируйте слои из предварительно обученной сети Keras, замените неподдерживаемые слои на пользовательские слои и соберите слои в сеть, готовую к прогнозу.

Обучите нейронные сети для глубокого обучения с различными инициализаторами веса.

Подготовьте datastore к обучению сеть регрессии от изображения к изображению использование преобразования и функций объединения ImageDatastore.

Обучите нейронную сеть для глубокого обучения на данных о последовательности из памяти путем преобразования и объединения хранилищ данных.

Классифицируйте текстовые данные с помощью сверточной нейронной сети.

Классифицируйте текстовые данные из памяти с нейронной сетью для глубокого обучения с помощью преобразованного datastore.

Создайте пользовательское Он, инициализация веса функционирует для слоев свертки, сопровождаемых текучими слоями ReLU.

Задайте выходную функцию, которая запускается в каждой итерации во время обучения глубоких нейронных сетей. Если вы задаете выходные функции при помощи аргумента пары "имя-значение" 'OutputFcn' trainingOptions, то trainNetwork вызывает эти функции однажды запуск обучения после каждой учебной итерации, и однажды после того, как обучение закончилось. Каждый раз выходные функции называются, trainNetwork передает структуру, содержащую информацию, такую как текущий номер итерации, потеря и точность. Можно использовать выходные функции, чтобы отобразить или построить информацию о прогрессе или остановить обучение. Чтобы остановить обучение рано, заставьте свою выходную функцию возвратить true. Если какая-либо выходная функция возвращает true, то учебные концы и trainNetwork возвращают последнюю сеть.

Демонстрирует генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз с помощью популярных сетей классификации изображений, таких как AlexNet, ResNet и GoogLeNet.

Демонстрирует генерацию кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз на Сетевом объекте DAG для SegNet [1], популярной нейронной сети для глубокого обучения для сегментации изображений.

Сгенерируйте код CUDA® от нейронной сети для глубокого обучения, представленной объектом SeriesNetwork. SeriesNetwork в этом примере является сверточной нейронной сетью, которая может обнаружить и вывести контуры маркера маршрута от изображения.

Сгенерируйте код CUDA® для Обнаружения объектов Используя Глубокое обучение (Computer Vision Toolbox) пример YOLO v2 от Computer Vision Toolbox™.

Сгенерируйте код CUDA® от объекта SeriesNetwork и предназначайтесь для платы NVIDIA® TX2 с внешней камерой. Этот пример использует нейронную сеть для глубокого обучения AlexNet, чтобы классифицировать изображения от видеопотока веб-камеры USB.

Демонстрирует, как сгенерировать код CUDA® MEX для обнаружения дорожного знака и приложения для распознавания, которое использует глубокое обучение. Обнаружение дорожного знака и распознавание являются важным приложением для систем помощи водителю, помощи и предоставления информации к драйверу о дорожных знаках.

Демонстрирует генерацию кода для приложения классификации логотипов, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз на объекте SeriesNetwork под названием LogoNet.

Демонстрирует генерацию кода для пешеходного приложения обнаружения, которое использует глубокое обучение. Пешеходное обнаружение является ключевой проблемой в компьютерном зрении, с несколькими приложениями в областях автономного управления, наблюдения, робототехника и т.д.

Сгенерируйте CUDA® MEX из кода MATLAB® и denoise полутоновых изображений при помощи шумоподавления сверточная нейронная сеть (DnCNN [1]). Сеть Denoising может использоваться, чтобы оценить шум в шумном изображении и затем удалить его, чтобы получить изображение denoised.

Обучите и разверните полностью сверточную семантическую сеть сегментации на графическом процессоре NVIDIA® при помощи GPU Coder ™.

Демонстрирует генерацию кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз на Сетевом объекте DAG для U-Net, популярной нейронной сети для глубокого обучения для сегментации изображений.

Сгенерируйте и разверните код для прогноза на устройстве ARM®-based, не используя пакет аппаратной поддержки.

Сгенерируйте и разверните код для прогноза на Raspberry Pi™ при помощи codegen с Пакетом Поддержки MATLAB для Оборудования Raspberry Pi.

Используйте cnncodegen, чтобы сгенерировать код для приложения классификации Логотипов, которое использует глубокое обучение на процессорах ARM®. Приложение классификации логотипов использует сеть серии LogoNet, чтобы выполнить распознавание логотипа от изображений. Сгенерированный код использует в своих интересах библиотеку ARM Compute для компьютерного зрения и машинного обучения.

Используйте codegen, чтобы сгенерировать код для приложения классификации изображений, которое использует глубокое обучение на процессорах Intel®. Сгенерированный код использует в своих интересах Math Kernel Library Intel для Глубоких нейронных сетей (MKL-DNN). Во-первых, пример генерирует MEX-функцию, которая запускает прогноз при помощи сети классификации изображений ResNet-50. Затем пример создает статическую библиотеку и компилирует ее с основным файлом, который запускает прогноз с помощью сети классификации изображений ResNet-50.