Распознавание образов

Обучите нейронную сеть, чтобы сделать вывод из входных параметров в качестве примера и их классов, автоэнкодеров train

Приложения

Neural Net Pattern RecognitionКлассифицируйте данные путем обучения сети форварда канала 2D слоя

Классы

AutoencoderКласс автоэнкодера

Функции

развернуть все

nnstartНейронная сеть, начинающая графический интерфейс пользователя
viewПросмотрите нейронную сеть
trainAutoencoderОбучите автоэнкодер
trainSoftmaxLayerОбучите softmax слой классификации
decodeДекодируйте закодированные данные
encodeЗакодируйте входные данные
predictВосстановите входные параметры с помощью обученного автоэнкодера
stackСложите энкодеры от нескольких автоэнкодеров вместе
networkПреобразуйте объект Autoencoder в сетевой объект
patternnetСеть распознавания образов
lvqnetИзучение векторной нейронной сети квантования
trainОбучите мелкую нейронную сеть
trainlmОбратная связь Levenberg-Marquardt
trainbrБайесова обратная связь регуляризации
trainscgМасштабированная обратная связь метода сопряженных градиентов
trainrpУстойчивая обратная связь
mseСреднеквадратическая нормированная ошибочная функция производительности
regressionЛинейная регрессия
rocРабочая характеристика получателя
plotconfusionПостройте матрицу беспорядка классификации
ploterrhistПостройте ошибочную гистограмму
plotperformПостройте производительность сети
plotregressionПостройте линейную регрессию
plotrocПостройте рабочую характеристику получателя
plottrainstateПостройте учебные значения состояния
crossentropyПроизводительность нейронной сети
genFunctionСгенерируйте функцию MATLAB для симуляции мелкой нейронной сети

Примеры и руководства

Базовая конструкция

Классифицируйте шаблоны с мелкой нейронной сетью

Используйте нейронную сеть для классификации.

Разверните мелкие функции нейронной сети

Моделируйте и разверните обученные мелкие нейронные сети с помощью инструментов MATLAB®.

Разверните обучение мелких нейронных сетей

Узнать, как развернуть обучение мелких нейронных сетей.

Учебная масштабируемость и эффективность

Нейронные сети с параллелью и вычислением графического процессора

Используйте параллельные и распределенные вычисления, чтобы ускорить обучение нейронной сети и симуляцию и обработать большие данные.

Автоматически сохраните контрольные точки во время обучения нейронной сети

Сохраните промежуточные результаты защитить значение долгих учебных выполнений.

Оптимальные решения

Выберите Neural Network Input-Output Processing Functions

Предварительно обработайте входные параметры и цели для более эффективного обучения.

Сконфигурируйте вводы и выводы нейронной сети

Узнать, как вручную сконфигурировать сеть перед обучением с помощью функции configure.

Разделите данные для оптимального обучения нейронной сети

Используйте функции, чтобы разделить данные на обучение, валидацию и наборы тестов.

Выберите многоуровневую функцию обучения нейронной сети

Сравнение учебных алгоритмов на различных проблемных типах.

Улучшите мелкое обобщение нейронной сети и постарайтесь не сверхсоответствовать

Изучите методы, чтобы улучшить обобщение и предотвратить сверхподбор кривой.

Обучите нейронные сети с ошибочными весами

Узнать, как использовать ошибочное взвешивание при обучении нейронных сетей.

Нормируйте ошибки нескольких Выходных параметров

Узнать, как соответствовать выходным элементам различными областями значений значений.

Классификация

Классификация крабов

Этот пример иллюстрирует использование нейронной сети как классификатор, чтобы идентифицировать пол крабов от физических размерностей краба.

Классификация вин

Этот пример иллюстрирует, как нейронная сеть распознавания образов может классифицировать вина винным заводом на основе ее химических характеристик.

Диагностика рака

Этот пример показывает, как обучить нейронную сеть, чтобы обнаружить рак с помощью данных о масс-спектрометрии по профилям белка.

Распознавание символов

Этот пример иллюстрирует, как обучить нейронную сеть, чтобы выполнить простое распознавание символов.

Автоэнкодеры

Обучите сложенные автоэнкодеры классификации изображений

Этот пример показывает, как обучить сложенные автоэнкодеры классифицировать изображения цифр.

Концепции

Рабочий процесс для проекта нейронной сети

Изучите первичные шаги в процессе проектирования нейронной сети.

Четыре уровня проекта нейронной сети

Изучите разные уровни использования функциональности нейронной сети.

Многоуровневые мелкие нейронные сети и обучение обратной связи

Рабочий процесс для разработки многоуровневой мелкой feedforward нейронной сети для функционального подбора кривой и распознавания образов.

Многоуровневая мелкая архитектура нейронной сети

Изучите архитектуру многоуровневой мелкой нейронной сети.

Понимание структур данных Deep Learning Toolbox

Узнать, как формат структур входных данных влияет на симуляцию сетей.

Наборы выборочных данных для мелких нейронных сетей

Список наборов выборочных данных, чтобы использовать при экспериментировании с мелкими нейронными сетями.

Свойства объектов нейронной сети

Изучите свойства, которые задают основные характеристики сети.

Подсвойства объектов нейронной сети

Изучите свойства что детали сети define, такие как входные параметры, слои, выходные параметры, цели, смещения и веса.

Для просмотра документации необходимо авторизоваться на сайте