| Neural Net Pattern Recognition | Классифицируйте данные по образованию сеть прямого распространения 2D слоя |
Autoencoder | Класс автоэнкодера |
Классифицируйте шаблоны с мелкой нейронной сетью
Используйте нейронную сеть для классификации.
Разверните мелкие функции нейронной сети
Симулируйте и разверните обученные мелкие нейронные сети с помощью инструментов MATLAB®.
Разверните обучение мелких нейронных сетей
Узнать, как развернуть обучение мелких нейронных сетей.
Мелкие нейронные сети с параллелью и вычислением графического процессора
Используйте параллельные и распределенные вычисления, чтобы ускорить обучение нейронной сети и симуляцию и обработать большие данные.
Автоматически сохраните контрольные точки во время обучения нейронной сети
Сохраните промежуточные результаты защитить значение долгих учебных запусков.
Выберите Neural Network Input-Output Processing Functions
Предварительно обработайте входные параметры и цели для более эффективного обучения.
Сконфигурируйте мелкие вводы и выводы нейронной сети
Узнать, как вручную сконфигурировать сеть перед обучением с помощью configure функция.
Разделите данные для оптимального обучения нейронной сети
Используйте функции, чтобы разделить данные на обучение, валидацию и наборы тестов.
Выберите многоуровневую функцию обучения нейронной сети
Сравнение алгоритмов настройки на различных проблемных типах.
Улучшите мелкое обобщение нейронной сети и постарайтесь не сверхсоответствовать
Изучите методы, чтобы улучшить обобщение и предотвратить сверхподбор кривой.
Обучите нейронные сети с весами ошибок
Узнать, как использовать ошибочное взвешивание при обучении нейронных сетей.
Нормируйте ошибки нескольких Выходных параметров
Узнать, как соответствовать выходным элементам различными областями значений значений.
Этот пример иллюстрирует использование нейронной сети как классификатор, чтобы идентифицировать пол крабов от физических размерностей краба.
Этот пример иллюстрирует, как нейронная сеть распознавания образов может классифицировать вина винным заводом на основе ее химических характеристик.
В этом примере показано, как обучить нейронную сеть, чтобы обнаружить рак с помощью данных о масс-спектрометрии по профилям белка.
Этот пример иллюстрирует, как обучить нейронную сеть, чтобы выполнить простое распознавание символов.
Обучите сложенные автоэнкодеры классификации изображений
В этом примере показано, как обучить сложенные автоэнкодеры классифицировать изображения цифр.
Рабочий процесс для проекта нейронной сети
Изучите первичные шаги в процессе проектирования нейронной сети.
Четыре уровня проекта нейронной сети
Изучите разные уровни использования функциональности нейронной сети.
Многоуровневые мелкие нейронные сети и обучение обратной связи
Рабочий процесс для разработки многоуровневой мелкой нейронной сети прямого распространения для функционального подбора кривой и распознавания образов.
Многоуровневая мелкая архитектура нейронной сети
Изучите архитектуру многоуровневой мелкой нейронной сети.
Понимание мелких сетевых структур данных
Узнать, как формат структур входных данных влияет на симуляцию сетей.
Наборы выборочных данных для мелких нейронных сетей
Список наборов выборочных данных, чтобы использовать при экспериментировании с мелкими нейронными сетями.
Свойства объектов нейронной сети
Изучите свойства, которые задают основные характеристики сети.
Подсвойства объектов нейронной сети
Изучите свойства что детали сети define, такие как входные параметры, слои, выходные параметры, цели, смещения и веса.
