Начало работы с Deep Learning Toolbox
Deep Learning Toolbox™ служит основой для разработки и реализации глубоких нейронных сетей, включая алгоритмы, предварительно обученные модели и приложения. Можно использовать сверточные нейронные сети (ConvNets, CNNs) и сети долгой краткосрочной памяти (LSTM) для решения задач классификации и регрессии на изображениях, временных рядах и текстах. Приложения и графики помогают вам визуализировать уровни активации, редактировать архитектуру сетей и контролировать прогресс в их обучении.
Для небольших наборов обучающих данных можно использовать обучение с переносом для предварительно обученных глубоких сетевых моделей (включая SqueezeNet, Начало-v3, ResNet-101, GoogLeNet и VGG-19) и модели, импортированные из TensorFlow™-Keras и Caffe.
Чтобы ускорить обучение на больших наборах данных, можно распределить вычисления и данные на многоядерных процессорах и рабочих компьютерах графического процессора (с Parallel Computing Toolbox™), или масштабировать до кластеров и облаков, включая Amazon EC2® P2, P3 и экземпляры графического процессора G3 (с MATLAB® Parallel Server™).
Примеры
- Запуск с Deep Network Designer
Этот пример показывает, как подстроить предварительно обученную сеть GoogLeNet, чтобы классифицировать новый набор изображений.
- Попробуйте Глубокое Обучение в 10 строках КОДА MATLAB
Узнать, как использовать глубокое обучение, чтобы идентифицировать объекты на веб-камере реального времени с предварительно обученной сетью AlexNet.
- Классифицируйте изображение Используя предварительно обученную сеть
Этот пример показывает, как классифицировать изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
- Запуск с изучением передачи
Этот пример показывает, как использовать передачу, учащуюся переобучать ResNet-18, предварительно обученную сверточную нейронную сеть, чтобы классифицировать новый набор изображений.
- Создайте простую сеть классификации изображений
Этот пример показывает, как создать и обучить простую сверточную нейронную сеть для классификации глубокого обучения.
- Создайте простую сеть классификации последовательностей
Этот пример показывает, как создать простую сеть классификации долгой краткосрочной памяти (LSTM).
Мелкие сети
- Мелкие сети для распознавания образов, кластеризации и временных рядов
Используйте приложения и функции, чтобы разработать мелкие нейронные сети для функционального подбора кривой, распознавания образов, кластеризации и анализа временных рядов.
Популярные примеры
Дистанционное обучение
Глубокое обучение Onramp
Этот свободный, двухчасовой пример по глубокому обучению обеспечивает интерактивное введение в практические методы глубокого обучения. Вы будете учиться использовать методы глубокого обучения в MATLAB для распознавания изображений.
Видео
В интерактивном режиме измените нейронную сеть для глубокого обучения для изучения передачи
Deep Network Designer является инструментом "укажи и выбери" для создания или изменения глубоких нейронных сетей. Это видео показывает, как использовать приложение в рабочем процессе изучения передачи. Это демонстрирует простоту, с которой можно использовать инструмент, чтобы изменить последние несколько слоев в импортированной сети в противоположность изменению слоев в командной строке. Можно проверить измененную архитектуру на наличие ошибок в связях и присвоениях свойства с помощью сетевого анализатора.
Глубокое обучение для MATLAB: глубокое обучение в 11 строках кода MATLAB
Смотрите, как использовать MATLAB, простую веб-камеру и глубокую нейронную сеть, чтобы идентифицировать объекты в вашей среде.
Глубокое обучение для MATLAB: передайте изучение в 10 строках кода MATLAB
Узнать, как использовать передачу, учащуюся в MATLAB переобучать нейронные сети для глубокого обучения, созданные экспертами для ваших собственных данных или задачи.