Если trainingOptions функция не предоставляет возможности обучения, необходимые для выполнения задачи, или пользовательские выходные слои не поддерживают необходимые функции потери, после чего можно определить пользовательский цикл обучения. Для сетей, которые не могут быть созданы с помощью графиков слоев, можно определить пользовательские сети как функцию. Дополнительные сведения см. в разделе Определение пользовательских циклов обучения, функций потери и сетей.
Обучение модели глубокого обучения в MATLAB
Узнайте, как обучать модели глубокого обучения в MATLAB ®.
Определение пользовательских циклов обучения, функций потери и сетей
Узнайте, как определить и настроить циклы обучения, функции потери и сети с помощью автоматического дифференцирования.
Сеть поездов, использующая индивидуальный цикл обучения
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с помощью пользовательского графика обучения.
Укажите параметры обучения в индивидуальном цикле обучения
Узнайте, как задать общие параметры обучения в индивидуальном цикле обучения.
Определение функции градиентов модели для пользовательского цикла обучения
Узнайте, как определить функцию градиентов модели для пользовательского цикла обучения.
Обновление статистики нормализации пакетов в индивидуальном цикле обучения
В этом примере показано, как обновить состояние сети в индивидуальном цикле обучения.
Составление прогнозов с помощью объекта dlnetwork
В этом примере показано, как делать прогнозы с помощью dlnetwork путем разделения данных на мини-пакеты.
Сеть поездов по изображениям и данным функций
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры, используя как изображение, так и входные данные функции.
Сеть поездов с несколькими выходами
В этом примере показано, как обучить сеть глубокого обучения с несколькими выходами, которые предсказывают как метки, так и углы поворота рукописных цифр.
Классифицировать видео с помощью глубокого обучения с помощью индивидуального обучающего цикла
В этом примере показано, как создать сеть для классификации видео путем объединения предварительно подготовленной модели классификации изображений и сети классификации последовательностей.
Сеть классификации изображений Train Устойчивые к состязательности Примеры
Этот пример показывает, как обучить нейронную сеть, которая устойчива к состязательным примерам с использованием метода быстрого градиентного знака (FGSM) состязательного обучения.
Обучение надежной сети глубокого обучения с якобинской регуляризацией
Этот пример показывает, как обучить нейронную сеть, которая устойчива к состязательным примерам, используя якобинскую схему регуляризации [1].
Сеть поездов с использованием функции модели
В этом примере показано, как создать и обучить сеть глубокого обучения с помощью функций, а не графа уровня или dlnetwork.
Обновление статистики нормализации пакета с помощью функции модели
В этом примере показано, как обновить состояние сети в сети, определенной как функция.
Составление прогнозов с помощью функции модели
В этом примере показано, как делать прогнозы с использованием функции модели путем разделения данных на мини-пакеты.
Инициализация обучаемых параметров для функции модели
Узнайте, как инициализировать обучаемые параметры для пользовательских циклов обучения с помощью функции модели.
Список функций с поддержкой dlarray
Просмотр списка функций, поддерживающих dlarray объекты.
Фон автоматического дифференцирования
Узнайте, как работает автоматическое дифференцирование.
Использовать автоматическую дифференциацию в инструменте для глубокого обучения
Как использовать автоматическую дифференциацию в глубоком обучении.
Ускорение функции глубокого обучения для пользовательских циклов обучения
Ускорение функций модели и функций градиентов модели для пользовательских циклов обучения путем кэширования и повторного использования трассировок.
Ускорение пользовательских функций цикла обучения
В этом примере показано, как ускорить процесс обучения и функции прогнозирования.
Проверка выходных данных функции ускоренного глубокого обучения
В этом примере показано, как проверить соответствие выходов ускоренных функций выходам базовой функции.
Оценка производительности функции ускоренного глубокого обучения
В этом примере показано, как оценить прирост производительности при использовании ускоренной функции.
