Импортируйте сети и сетевые архитектуры от TensorFlow™-Keras, Caffe и формата модели ONNX™ (Open Neural Network Exchange). Можно также экспортировать обученную сеть Deep Learning Toolbox™ в формат модели ONNX.
Можно задать собственный слой глубокого обучения для проблемы. Можно задать пользовательскую функцию потерь с помощью пользовательского выхода слои и задать пользовательские слои с или без настраиваемых параметров. Например, можно использовать пользовательский взвешенный слой классификации со взвешенной потерей перекрестной энтропии для проблем классификации с неустойчивым распределением классов. После определения пользовательского слоя можно проверять, что слой допустим, совместимый графический процессор, и выходные параметры правильно задал градиенты.
Если trainingOptions функция не обеспечивает опции обучения, в которых вы нуждаетесь для своей задачи, или пользовательские выходные слои не поддерживают функции потерь, в которых вы нуждаетесь, затем можно задать пользовательский учебный цикл. Для сетей, которые не могут быть созданы с помощью графиков слоев, можно задать пользовательские сети как функцию. Чтобы узнать больше, смотрите, Задают Пользовательские Учебные Циклы, Функции потерь и Сети.
Задайте пользовательские слои глубокого обучения
Узнать, как задавать пользовательские слои глубокого обучения.
Проверяйте пользовательскую валидность слоя
Узнать, как проверять валидность пользовательских слоев глубокого обучения.
Задайте пользовательский слой глубокого обучения с настраиваемыми параметрами
В этом примере показано, как задать слой PReLU и использовать его в сверточной нейронной сети.
Задайте пользовательский слой глубокого обучения с несколькими входными параметрами
В этом примере показано, как задать пользовательский взвешенный слой сложения и использовать его в сверточной нейронной сети.
Задайте пользовательскую классификацию Выходной слой
В этом примере показано, как задать пользовательскую классификацию выходной слой с ошибкой суммы квадратов (SSE) потеря и использовать его в сверточной нейронной сети.
Задайте пользовательский взвешенный слой классификации
В этом примере показано, как задать и создать пользовательскую взвешенную классификацию выходной слой со взвешенной потерей перекрестной энтропии.
Задайте пользовательскую регрессию Выходной слой
В этом примере показано, как задать пользовательскую регрессию выходной слой с потерей средней абсолютной погрешности (MAE) и использовать его в сверточной нейронной сети.
Укажите, что пользовательский слой назад функционирует
В этом примере показано, как задать слой PReLU и задать пользовательскую обратную функцию.
Задайте пользовательский Выходной слой обратная функция потерь
В этом примере показано, как задать взвешенный слой классификации и задать пользовательскую обратную функцию потерь.
Обучите Порождающую соперничающую сеть (GAN)
В этом примере показано, как обучить порождающую соперничающую сеть (GAN) генерировать изображения.
Обучите Условную порождающую соперничающую сеть (CGAN)
В этом примере показано, как обучить условную порождающую соперничающую сеть (CGAN) генерировать изображения.
Обучите сиамскую сеть для сокращения размерности
В этом примере показано, как обучить сиамскую сеть, чтобы сравнить рукописные цифры с помощью сокращения размерности.
Обучите сиамскую сеть, чтобы сравнить изображения
В этом примере показано, как обучить сиамскую сеть, чтобы идентифицировать подобные изображения рукописных символов.
Задайте пользовательские учебные циклы, функции потерь и сети
Узнать, как задать и настроить циклы обучения глубокому обучению, функции потерь и сети с помощью автоматического дифференцирования.
Задайте опции обучения в пользовательском учебном цикле
Узнать, как задавать общие опции обучения в пользовательском учебном цикле.
Обучите сеть Используя пользовательский учебный цикл
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с пользовательским расписанием скорости обучения.
Обновите статистику нормализации партии. в пользовательском учебном цикле
В этом примере показано, как обновить сетевое состояние в пользовательском учебном цикле.
Сделайте Предсказания Используя Объект dlnetwork
В этом примере показано, как сделать предсказания с помощью dlnetwork объект путем разделения данных в мини-пакеты.
Обучите сеть Используя функцию модели
В этом примере показано, как создать и обучить нейронную сеть для глубокого обучения при помощи функций, а не графика слоев или dlnetwork.
Обновите статистику нормализации партии. Используя функцию модели
В этом примере показано, как обновить сетевое состояние в сети, заданной как функция.
Сделайте предсказания Используя функцию модели
В этом примере показано, как сделать предсказания с помощью функции модели путем разделения данных в мини-пакеты.
Сравните инициализаторы веса слоя
В этом примере показано, как обучить нейронные сети для глубокого обучения с различными инициализаторами веса.
Задайте пользовательскую функцию инициализации веса
В этом примере показано, как создать пользовательское Он, инициализация веса функционирует для слоев свертки, сопровождаемых текучими слоями ReLU.
Соберите сеть от предварительно обученных слоев Keras
В этом примере показано, как импортировать слои из предварительно обученной сети Keras, замените неподдерживаемые слои на пользовательские слои и соберите слои в сеть, готовую к предсказанию.
Несколько - вход и несколько - Выходные сети
Узнать, как задавать и обучать нейронные сети для глубокого обучения с несколькими входными параметрами или несколькими выходными параметрами.
Обучите сеть с несколькими Выходными параметрами
В этом примере показано, как обучить нейронную сеть для глубокого обучения с несколькими выходными параметрами, которые предсказывают и метки и углы вращений рукописных цифр.
Соберите несколько - Выходная сеть для предсказания
Вместо того, чтобы использовать функцию модели в предсказании, можно собрать сеть в DAGNetwork готовый к предсказанию с помощью functionToLayerGraph и assembleNetwork функции.
Автоматический фон дифференцирования
Узнать, как автоматическое дифференцирование работает.
Используйте автоматическое дифференцирование в Deep Learning Toolbox
Как использовать автоматическое дифференцирование в глубоком обучении.
Список Функций с Поддержкой dlarray
Просмотрите список функций та поддержка dlarray объекты.
CAM градиента показывает почему позади решений глубокого обучения
В этом примере показано, как использовать взвешенную градиентом активацию класса, сопоставляющую (CAM градиента) метод, чтобы изучить, почему нейронная сеть для глубокого обучения принимает свои решения классификации.
