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 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 архитектуре сверточной 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 из предварительно обученной сверточной нейронной сети и используйте те функции, чтобы обучить классификатор изображений. Извлечение признаков является самым легким и самым быстрым способом использовать представительную степень предварительно обученных глубоких сетей. Например, можно обучить машину опорных векторов (SVM) с помощью fitcecoc (Statistics and Machine Learning Toolbox™) на извлеченных функциях. Поскольку извлечение признаков только требует одного прохода через данные, это - хорошая начальная точка, если у вас нет графического процессора, чтобы ускорить сетевое обучение с.

Подстройте предварительно обученную сверточную нейронную сеть AlexNet, чтобы выполнить классификацию на новом наборе изображений.

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

Подбирайте модель регрессии использование сверточных нейронных сетей, чтобы предсказать углы вращения рукописных цифр.

Обучите порождающую соперничающую сеть (GAN) генерировать изображения.

Обучите сеть, которая классифицирует рукописные цифры с пользовательским расписанием темпа обучения.

Обучите нейронную сеть для глубокого обучения с несколькими выходными параметрами, которые предсказывают и метки и углы вращений рукописных цифр.

Обучите сиамскую сеть, чтобы идентифицировать подобные изображения рукописных символов.

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 распознавать 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.

Исследуйте и визуализируйте функции, изученные сетями LSTM путем извлечения активаций.

Классифицируйте каждый временной шаг данных о последовательности с помощью типовой временной сверточной сети (TCN).

Используйте данные моделирования, чтобы обучить нейронную сеть, которая может обнаружить отказы в химическом процессе. Сеть обнаруживает отказы в симулированном процессе с высокой точностью. Типичный рабочий процесс следующие:

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.

Преобразуйте десятичные строки в Римские цифры с помощью модели декодера энкодера повторяющейся последовательности к последовательности с вниманием.

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.

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

CAM градиента объясняет, почему сеть принимает решение.

Используйте карты чувствительности поглощения газов, чтобы изучить, почему глубокая нейронная сеть принимает решение классификации. Чувствительность поглощения газов является простым методом для понимания, какие части изображения являются самыми важными для классификации глубокой сети. Можно измерить чувствительность сети к поглощению газов в различных областях данных с помощью небольших возмущений данных. Используйте чувствительность поглощения газов, чтобы получить высокоуровневое понимание того, что изображение показывает сеть использование, чтобы сделать конкретной классификацией и обеспечить понимание причин, почему сеть может неправильно классифицировать изображение.

Узнать, как сохранить сети контрольной точки в то время как обучение сверточная нейронная сеть 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.

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.

Обучите сеть, которая классифицирует рукописные цифры с пользовательским расписанием темпа обучения.

Когда вы обучаете нейронные сети для глубокого обучения, часто полезно контролировать процесс обучения. 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 обучающим данным.

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

Используйте функцию tsne, чтобы просмотреть активации в обучившем сеть. Это представление может помочь вам изучить, как работает сеть.

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 изучить то, что изучила сеть.

Исследуйте и визуализируйте функции, изученные сетями LSTM путем извлечения активаций.

Визуализируйте функции, изученные сверточными нейронными сетями.

Обучите использование сверточной 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 помощью нескольких графических процессоров, 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 в параллели 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 в параллели 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.

Настройте пользовательский учебный цикл, чтобы обучить сеть параллельно. В этом примере параллельные рабочие обучаются на фрагментах полного мини-пакета. Если у вас есть графический процессор, то обучение происходит на графическом процессоре. Во время обучения объект DataQueue передает информацию о процессе обучения обратно клиенту MATLAB.

Обучите сеть семантической сегментации использование глубокого обучения.

Обучите вы только смотрите однажды (YOLO) v2 детектор объектов.

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

Обучите порождающую соперничающую сеть (GAN) генерировать изображения.

Обучите сеть, которая классифицирует рукописные цифры с пользовательским расписанием темпа обучения.

Создайте и обучите нейронную сеть для глубокого обучения при помощи функций, а не графика слоя или dlnetwork. Преимуществом использования функций является гибкость, чтобы описать большое разнообразие сетей. Недостаток - то, что необходимо завершить больше шагов и подготовить данные тщательно. Этот пример использует изображения рукописных цифр с двойными целями классификации цифр и определения угла каждой цифры от вертикали.

Обучите нейронную сеть для глубокого обучения с несколькими выходными параметрами, которые предсказывают и метки и углы вращений рукописных цифр.

Обучите сиамскую сеть, чтобы сравнить рукописные цифры с помощью сокращения размерности.

Обучите сиамскую сеть, чтобы идентифицировать подобные изображения рукописных символов.

Преобразуйте десятичные строки в Римские цифры с помощью модели декодера энкодера повторяющейся последовательности к последовательности с вниманием.

Классифицируйте каждый временной шаг данных о последовательности с помощью типовой временной сверточной сети (TCN).

Настройте пользовательский учебный цикл, чтобы обучить сеть параллельно. В этом примере параллельные рабочие обучаются на фрагментах полного мини-пакета. Если у вас есть графический процессор, то обучение происходит на графическом процессоре. Во время обучения объект DataQueue передает информацию о процессе обучения обратно клиенту MATLAB.

Создайте вариационный автоэнкодер (VAE) в MATLAB, чтобы сгенерировать изображения цифры. VAE генерирует нарисованные от руки цифры в стиле набора данных MNIST.

Обучите сеть, чтобы классифицировать изображения объектов с помощью циклического, изучают расписание уровня и создают снимки ensembling для лучшей тестовой точности. В примере вы изучаете, как использовать косинусную функцию в изучить расписании уровня, взять снимки состояния сети во время обучения создать ансамбль модели и добавить регуляризацию L2-нормы (затухание веса) к учебной потере.

Сделайте прогнозы с помощью объекта dlnetwork путем разделения данных в мини-пакеты.

Сделайте прогнозы с помощью функции модели путем разделения данных в мини-пакеты.

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

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

Вместо того, чтобы использовать функцию модели в прогнозе, можно собрать сеть в готовое DAGNetwork к прогнозу с помощью функций assembleNetwork и functionToLayerGraph. Это позволяет вам использовать предсказать функцию.

CAM градиента объясняет, почему сеть принимает решение.

Как MATLAB® и Image Processing Toolbox™ могут выполнить общие виды увеличения изображений как часть рабочих процессов глубокого обучения.

Используйте MATLAB®, Computer Vision Toolbox™ и Image Processing Toolbox™, чтобы выполнить общие виды изображения и пиксельного увеличения метки как часть рабочих процессов семантической сегментации.

Используйте MATLAB®, Computer Vision Toolbox™ и Image Processing Toolbox™, чтобы выполнить общие виды поля изображения и увеличения ограничительной рамки как часть рабочих процессов обнаружения объектов.

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

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

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.

Выполните генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз при помощи сетей классификации изображений, таких как MobileNet-v2, ResNet и GoogLeNet.

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

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

Сгенерируйте код CUDA® для сети долгой краткосрочной памяти (LSTM). Пример генерирует приложение MEX, которое делает прогнозы на каждом шаге входа timeseries. Этот пример использует данные о датчике акселерометра из смартфона, продолжил тело и делает прогнозы на действии владельца. Пользовательские перемещения классифицируются в одну из пяти категорий, а именно, танца, выполнения, нахождения, положения и обхода. Пример использует предварительно обученную сеть LSTM. Для получения дополнительной информации об обучении смотрите, что Классификация Последовательностей Использует пример Глубокого обучения от Deep Learning Toolbox™.

Используйте функцию cnncodegen, чтобы сгенерировать код для приложения классификации изображений, которое использует глубокое обучение на ARM® Mali графические процессоры. Пример использует сеть MobileNet-v2 DAG, чтобы выполнить классификацию изображений. Сгенерированный код использует в своих интересах библиотеку ARM Compute для компьютерного зрения и машинного обучения.

Сгенерируйте CUDA® MEX для вы только смотрите однажды (YOLO) v2 детектор объектов. Сеть обнаружения объектов YOLO v2 состоит из двух подсетей. Сеть извлечения признаков сопровождается сетью обнаружения. Этот пример генерирует код для сети, обученной в Обнаружении объектов Используя пример YOLO v2 от Computer Vision Toolbox™. Для получения дополнительной информации смотрите, что Обнаружение объектов Использует Глубокое обучение (Computer Vision Toolbox) YOLO v2.

Интегрируйте код CUDA®, сгенерированный для нейронной сети для глубокого обучения в Simulink®. Графический процессор coder™ не поддерживает генерацию кода для блоков Simulink, но можно все еще использовать вычислительную мощность графических процессоров в Simulink путем генерации динамически подключаемой библиотеки (dll) с GPU Coder и затем интеграции его в Simulink как Блок s-function при помощи Legacy Code Tool. Для получения дополнительной информации смотрите. Чтобы проиллюстрировать эту концепцию, пример использует Обнаружение Маршрута, Оптимизированное с GPU Coder (GPU Coder). Исходный пример использовал файл C++ с функциями OpenCV, чтобы считать системы координат, чертить маршруты и наложить информацию о частоте кадров о видеовыходе. Этот пример использует блоки Simulink от Системы Компьютерного зрения Toolbox™, чтобы выполнить те же операции.

Генерация кода для применения глубокого обучения при помощи библиотеки NVIDIA TensorRT™. Это использует codegen команду, чтобы сгенерировать файл MEX, чтобы выполнить прогноз с сетью классификации изображений ResNet-50 при помощи TensorRT. Второй пример демонстрирует использование codegen команды, чтобы сгенерировать файл MEX, который выполняет 8-битный целочисленный прогноз при помощи TensorRT для сети классификации логотипов.

Демонстрирует генерацию кода с пакетными размерами, больше, чем 1. Эта демонстрация содержит два примера, во-первых, cnncodegen использования, чтобы сгенерировать код, который берет в пакете изображений, как введено. Второй пример создает файл MEX с помощью codegen и передает пакет изображений, как введено.

Сгенерируйте 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.

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

Генерация кода для пешеходного приложения обнаружения, которое использует глубокое обучение. Пешеходное обнаружение является ключевым вопросом в компьютерном зрении. Пешеходное обнаружение имеет несколько приложений в областях автономного управления автомобилем, наблюдения, робототехники, и так далее.

Сгенерируйте CUDA® MEX из кода MATLAB® и denoise полутоновых изображений при помощи сверточной нейронной сети шумоподавления (DnCNN [1]). Можно использовать сеть шумоподавления, чтобы оценить шум в шумном изображении, и затем удалить его, чтобы получить изображение denoised.

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

Генерация кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая выполняет прогноз на Сетевом объекте DAG для U-Net, 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.

Сгенерируйте Код С++ для Обнаружения объектов Используя Глубокое обучение (Computer Vision Toolbox) YOLO v2 на процессоре Intel®. Сгенерированный код использует Math Kernel Library Intel в Глубоких нейронных сетях (MKL-DNN).

Сгенерируйте и разверните Код С++, который использует предварительно обученную сеть MobileNet-v2 в объектном прогнозе.