Глубокое обучение для изображений
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.
Приложения
| Deep Network Designer | Спроектируйте, визуализируйте и обучите нейронные сети для глубокого обучения |
Функции
Блоки
Свойства
| ConfusionMatrixChart Properties | Матричный вид диаграммы беспорядка и поведение |
Примеры и руководства
Используйте предварительно обученные сети
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 новую глубокую сеть
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.
Концепции
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.
