Создайте новые глубокие сети для классификации изображений и задач регрессии путем определения сетевой архитектуры и обучения сети с нуля. Можно также использовать передачу обучения, чтобы использовать в своих интересах знание, обеспеченное предварительно обученной сетью, чтобы изучить новые шаблоны в новых данных. Подстройка предварительно обученной сети классификации изображений с передачей обучения обычно намного быстрее и легче, чем обучение с нуля. Используя предварительно обученные глубокие сети позволяет вам быстро изучить новые задачи, не задавая и обучая новую сеть, имея миллионы изображений, или имея мощный графический процессор.
После определения сетевой архитектуры необходимо задать учебные параметры с помощью trainingOptions
функция. Можно затем обучить сетевое использование trainNetwork
. Используйте обучивший сеть, чтобы предсказать метки класса или числовые ответы.
Можно обучить сверточную нейронную сеть на центральном процессоре, графическом процессоре, нескольких центральных процессорах или графических процессорах, или параллельно в кластере или в облаке. Обучение на графическом процессоре или параллельно требует Parallel Computing Toolbox™. Используя графический процессор требует поддерживаемого устройства графического процессора (для получения информации о поддерживаемых устройствах, смотрите Поддержку графического процессора Релизом (Parallel Computing Toolbox)). Задайте среду выполнения с помощью trainingOptions
функция.
Deep Network Designer | Спроектируйте, визуализируйте и обучите нейронные сети для глубокого обучения |
ConfusionMatrixChart Properties | Матричный вид диаграммы беспорядка и поведение |
Классифицируйте изображение Используя GoogLeNet
В этом примере показано, как классифицировать изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
Классифицируйте изображения веб-камеры Используя глубокое обучение
В этом примере показано, как классифицировать изображения от веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
Передача обучения с Deep Network Designer
В интерактивном режиме подстройте предварительно обученную нейронную сеть для глубокого обучения, чтобы изучить новую задачу классификации изображений.
Обучите нейронную сеть для глубокого обучения классифицировать новые изображения
В этом примере показано, как использовать передачу обучения, чтобы переобучить сверточную нейронную сеть, чтобы классифицировать новый набор изображений.
Извлеките функции изображений Используя предварительно обученную сеть
В этом примере показано, как извлечь изученные функции изображений из предварительно обученной сверточной нейронной сети и использовать те функции, чтобы обучить классификатор изображений.
Передача обучения Используя предварительно обученную сеть
В этом примере показано, как подстроить предварительно обученную сверточную нейронную сеть GoogLeNet, чтобы выполнить классификацию на новом наборе изображений.
Предварительно обученные глубокие нейронные сети
Узнать, как загружать и использовать предварительно обученные сверточные нейронные сети для классификации, передачи обучения и извлечения признаков.
Создайте простую сеть глубокого обучения для классификации
В этом примере показано, как создать и обучить простую сверточную нейронную сеть классификации глубокого обучения.
Создайте сети с Deep Network Designer
В интерактивном режиме создайте и отредактируйте нейронные сети для глубокого обучения.
Обучите сверточную нейронную сеть регрессии
В этом примере показано, как подбирать модель регрессии использование сверточных нейронных сетей, чтобы предсказать углы вращения рукописных цифр.
Список слоев глубокого обучения
Узнайте все слои глубокого обучения в MATLAB®.
Задайте слои сверточной нейронной сети
Узнайте о слоях сверточной нейронной сети (ConvNet) и порядке, они появляются в ConvNet.
Сгенерируйте код MATLAB от Deep Network Designer
Сгенерируйте код MATLAB, чтобы воссоздать разработку и обучение сети в Deep Network Designer.
Обучите остаточную сеть для классификации изображений
В этом примере показано, как создать глубокую нейронную сеть с остаточными связями и обучить ее на данных CIFAR-10.
Обучите сеть с числовыми функциями
В этом примере показано, как создать и обучить простую нейронную сеть для классификации данных о функции глубокого обучения.
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 Порождающую соперничающую сеть (GAN)
В этом примере показано, как обучить порождающую соперничающую сеть, чтобы сгенерировать изображения.
Обучите Условную порождающую соперничающую сеть (CGAN)
В этом примере показано, как обучить условную порождающую соперничающую сеть, чтобы сгенерировать изображения.
Обучите быструю сеть передачи стиля
В этом примере показано, как обучить сеть, чтобы передать стиль изображения к второму изображению.
Отобразите ввод субтитров Используя внимание
В этом примере показано, как обучить модель глубокого обучения вводу субтитров изображений с помощью внимания.
Обучите сеть Используя пользовательский учебный цикл
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с пользовательским расписанием скорости обучения.
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.
Обучите сиамскую сеть, чтобы сравнить изображения
В этом примере показано, как обучить сиамскую сеть, чтобы идентифицировать подобные изображения рукописных символов.
Импортируйте пользовательский слой в Deep Network Designer
В этом примере показано, как импортировать пользовательскую классификацию выходной слой с ошибкой суммы квадратов (SSE) потеря и добавить его в предварительно обученную сеть в Deep Network Designer.
Регрессия от изображения к изображению в Deep Network Designer
В этом примере показано, как использовать Deep Network Designer, чтобы создать и обучить сеть регрессии от изображения к изображению для супер разрешения.
Узнайте возможности глубокого обучения в сверточных нейронных сетях использования MATLAB для классификации и регрессии, включая предварительно обученные сети и передачу обучения и обучение на графических процессорах, центральных процессорах, кластерах и облаках.
Настройте параметры и обучите сверточную нейронную сеть
Узнать, как настраивать учебные параметры для сверточной нейронной сети.
Предварительно обработайте изображения для глубокого обучения
Узнать, как, чтобы изменить размер изображений для обучения, предсказания и классификации, и как предварительно обработать изображения с помощью увеличения данных, преобразований и специализированных хранилищ данных.
Предварительно обработайте объемы для глубокого обучения
Считайте и предварительно обработайте объемное изображение и пометьте данные для 3-D глубокого обучения.
Хранилища данных для глубокого обучения
Узнать, как использовать хранилища данных в применении глубокого обучения.
Преобразуйте сеть классификации в сеть регрессии
В этом примере показано, как преобразовать обученную сеть классификации в сеть регрессии.
Советы глубокого обучения и приемы
Узнать, как улучшить точность нейронных сетей для глубокого обучения.
Наборы данных для глубокого обучения
Узнайте наборы данных для различных задач глубокого обучения.
Импортируйте данные в Deep Network Designer
Импортируйте и визуализируйте данные в Deep Network Designer.