Глубокое обучение пользовательские учебные циклы

Настройте циклы обучения глубокому обучению и функции потерь

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.

Функции

развернуть все

dlnetworkНейронная сеть для глубокого обучения для пользовательских учебных циклов
forwardВычислите нейронную сеть для глубокого обучения выход для обучения
predictВычислите нейронную сеть для глубокого обучения выход для вывода
adamupdateОбновите параметры с помощью адаптивной оценки момента (Адам)
rmspropupdate Обновите параметры с помощью корневого среднеквадратического распространения (RMSProp)
sgdmupdate Обновите параметры с помощью стохастического градиентного спуска с импульсом (SGDM)
dlupdate Обновите параметры с помощью пользовательской функции
minibatchqueueСоздайте мини-пакеты для глубокого обучения
onehotencodeЗакодируйте метки данных в одногорячие векторы
onehotdecodeДекодируйте векторы вероятности в метки класса
dlarrayМассив глубокого обучения для пользовательских учебных циклов
dlgradientВычислите градиенты для пользовательских учебных циклов с помощью автоматического дифференцирования
dlfevalОцените модель глубокого обучения для пользовательских учебных циклов
dimsМетки размерности dlarray
finddimНайдите размерности с заданной меткой
stripdimsУдалите dlarray метки
extractdataИзвлеките данные из dlarray
isdlarrayОпределите, является ли введенный dlarray
functionToLayerGraphПреобразуйте функцию модели глубокого обучения в график слоев
dlconvСвертка глубокого обучения
dltranspconvГлубокое обучение транспонировало свертку
lstmДолгая краткосрочная память
gruЗакрытый текущий модуль
embedВстройте дискретные данные
fullyconnectСуммируйте все взвешенные входные данные и примените смещение
reluПримените исправленную линейную модульную активацию
leakyreluПримените текучую исправленную линейную модульную активацию
batchnormНормируйте каждый канал мини-пакета
crosschannelnormМежканальный квадрат - нормирует использующие локальные ответы
groupnormНормируйте активации через группы каналов
avgpoolОбъедините данные к средним значениям по пространственным размерностям
maxpoolОбъедините данные к максимальному значению
maxunpoolНе объедините выход максимальной операции объединения
softmaxПримените softmax активацию, чтобы образовать канал размерность
crossentropyПотеря перекрестной энтропии для задач классификации
sigmoidПримените сигмоидальную активацию
mseПоловина среднеквадратической ошибки

Темы

Пользовательские учебные циклы

Учебные модели глубокого обучения в MATLAB

Узнать, как к учебным моделям глубокого обучения в MATLAB®.

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.

Обучите сеть Используя пользовательский учебный цикл

В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с пользовательским расписанием скорости обучения.

Задайте опции обучения в пользовательском учебном цикле

Узнать, как задавать общие опции обучения в пользовательском учебном цикле.

Функция градиентов модели Define для пользовательского учебного цикла

Узнать, как, чтобы задать градиенты модели функционируют для пользовательского учебного цикла.

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 на изображении и покажите данные

В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с помощью и изображения и входных данных функции.

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.

Функции модели

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.

Инициализируйте настраиваемые параметры для функций модели

Узнать, как инициализировать настраиваемые параметры для пользовательских учебных циклов с помощью функции модели.

Автоматическое дифференцирование

Список Функций с Поддержкой dlarray

Просмотрите список функций та поддержка dlarray объекты.

Автоматический фон дифференцирования

Узнать, как автоматическое дифференцирование работает.

Используйте автоматическое дифференцирование в Deep Learning Toolbox

Как использовать автоматическое дифференцирование в глубоком обучении.

Рекомендуемые примеры