Exponenta Banner
exponenta event banner

Импорт, экспорт и настройка глубокого обучения

Импорт, экспорт и настройка сетей глубокого обучения, а также настройка слоев, циклов обучения и функций потери

Импорт сетей и сетевых архитектур из формата модели TensorFlow™-Keras, TensorFlow 2, Caffe и ONNX™ (Open Neural Network Exchange). Можно также экспортировать обученную сеть Deep Learning Toolbox™ в формат модели ONNX.

Вы можете определить свой собственный уровень глубокого обучения для вашей проблемы. Можно задать пользовательскую функцию потери с помощью пользовательского выходного слоя и определить пользовательские слои с обучаемыми параметрами или без них. После определения пользовательского слоя можно проверить, является ли слой допустимым, совместимым с графическим процессором, и вывести правильно определенные градиенты.

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.

Характерные примеры

Train Generative Adversarial Network (GAN)

Генеративная состязательная сеть поездов (GAN)

Обучить генеративную состязательную сеть генерировать образы.

Открыть сценарий в реальном времени
Train Network Using Custom Training Loop

Сеть поездов, использующая индивидуальный цикл обучения

Обучение сети, которая классифицирует рукописные цифры с помощью пользовательского графика обучения.

Открыть сценарий в реальном времени
Train Network Using Model Function

Сеть поездов с использованием функции модели

Создание и обучение сети глубокого обучения с помощью функций, а не графа уровня или dlnetwork. Преимуществом использования функций является гибкость описания широкого спектра сетей. Недостаток заключается в том, что необходимо выполнить дополнительные шаги и тщательно подготовить данные. В этом примере используются изображения рукописных цифр с двойными целями классификации цифр и определения угла каждой цифры по вертикали.

Открыть сценарий в реальном времени
Train a Siamese Network for Dimensionality Reduction

Обучение сиамской сети уменьшению размерности

Обучите сиамскую сеть сравнивать рукописные цифры с помощью уменьшения размерности.

Открыть сценарий в реальном времени
Train a Siamese Network to Compare Images

Обучить сиамскую сеть сравнивать изображения

Обучить сиамскую сеть идентифицировать похожие изображения рукописных символов.

Открыть сценарий в реальном времени
Image Captioning Using Attention

Субтитры изображения с помощью внимания

Обучение модели глубокого обучения субтитрам изображений с использованием внимания.

Открыть сценарий в реальном времени
Multilabel Text Classification Using Deep Learning

Классификация текста Multilabel с использованием глубокого обучения

Классифицируйте текстовые данные с несколькими независимыми метками.

Открыть сценарий в реальном времени
Sequence-to-Sequence Translation Using Attention

Преобразование последовательности в последовательность с использованием внимания

Преобразуйте десятичные строки в римские цифры с помощью повторяющейся модели кодировщика-декодера последовательности.

Открыть сценарий в реальном времени
Sequence-to-Sequence Classification Using 1-D Convolutions

Классификация последовательности к последовательности с использованием сверток 1-D

Классифицируют каждый временной шаг данных последовательности с использованием общей временной сверточной сети (TCN).

Открыть сценарий в реальном времени
Train Network in Parallel with Custom Training Loop

Сеть поездов параллельно с индивидуальным контуром обучения

Настройка пользовательского цикла обучения для параллельного обучения сети. В этом примере параллельные рабочие тренируются на участках всей мини-партии. Если у вас есть ГПУ, то обучение происходит на ГПУ. Во время обучения объект DataQueue отправляет информацию о ходе обучения обратно клиенту MATLAB.

Открыть сценарий в реальном времени
Train Variational Autoencoder (VAE) to Generate Images

Создание изображений с помощью вариационного автокодера (VAE)

Создайте вариационный автокодер (VAE) в MATLAB для создания цифровых изображений. VAE генерирует рукописные цифры в стиле набора данных MNIST.

Открыть сценарий в реальном времени
Train Network Using Cyclical Learning Rate for Snapshot Ensembling

Обучение сети с использованием циклической скорости обучения для сбора снимков

Обучение сети классификации изображений объектов с использованием графика циклической скорости обучения и сбора снимков для повышения точности тестирования. В примере показано, как использовать функцию косинуса для графика скорости обучения, делать снимки сети во время обучения для создания ансамбля модели и добавлять L2-norm регуляризацию (распад веса) к потере тренировок.

Открыть сценарий в реальном времени

Документация по инструментам для глубокого обучения

Поддержка