Создание новых глубоких сетей для классификации изображений и задач регрессии путем определения сетевой архитектуры и обучения сети с нуля. Вы также можете использовать transfer learning для использования знаний, предоставляемых предварительно подготовленной сетью, для изучения новых шаблонов в новых данных. Точная настройка предварительно подготовленной сети классификации изображений с обучением переносу обычно намного быстрее и проще, чем обучение с нуля. Использование предварительно подготовленных глубоких сетей позволяет быстро изучать новые задачи без определения и обучения новой сети, с миллионами изображений или с мощным графическим процессором.
После определения сетевой архитектуры необходимо определить параметры обучения с помощью trainingOptions функция. Затем можно обучить сеть с помощью trainNetwork. Используйте обученную сеть для прогнозирования меток классов или числовых ответов.
Сверточную нейронную сеть можно обучить на CPU, GPU, нескольких CPU или GPU, либо параллельно на кластере или в облаке. Обучение на GPU или параллельно требует Toolbox™ параллельных вычислений. Для использования графического процессора требуется поддерживаемое устройство графического процессора (сведения о поддерживаемых устройствах см. в разделе Поддержка графического процессора по выпуску (Панель параллельных вычислений)). Укажите среду выполнения с помощью trainingOptions функция.
| Конструктор глубоких сетей | Проектирование, визуализация и обучение сетей глубокого обучения |
| Свойства ConfusionMatrixChart | Внешний вид и поведение матричной диаграммы путаницы |
Классифицировать изображение с помощью GoogLeNet
В этом примере показано, как классифицировать изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
Классификация изображений веб-камеры с помощью глубокого обучения
В этом примере показано, как классифицировать изображения с веб-камеры в реальном времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
Перенести обучение с помощью разработчика Deep Network Designer
Интерактивная точная настройка предварительно обученной сети глубокого обучения для изучения новой задачи классификации изображений.
Обучение сети глубокого обучения классификации новых образов
В этом примере показано, как использовать обучение передаче для переподготовки сверточной нейронной сети для классификации нового набора изображений.
Извлечение функций изображения с помощью предварительно обученной сети
В этом примере показано, как извлечь изученные особенности изображения из предварительно обученной сверточной нейронной сети и использовать их для обучения классификатора изображений.
Передача обучения с использованием предварительно обученной сети
В этом примере показано, как точно настроить предварительно обученную сверточную нейронную сеть GoogLeNet для выполнения классификации на новой коллекции изображений.
Предварительно обученные глубокие нейронные сети
Узнайте, как загрузить и использовать предварительно обученные сверточные нейронные сети для классификации, передачи обучения и извлечения функций.
Создание простой сети глубокого обучения для классификации
В этом примере показано, как создать и обучить простую сверточную нейронную сеть для классификации глубокого обучения.
Создание сетей с помощью разработчика глубоких сетей
Интерактивное создание и редактирование сетей глубокого обучения.
Конволюционная нейронная сеть поезда для регрессии
В этом примере показано, как подогнать регрессионную модель с использованием сверточных нейронных сетей для прогнозирования углов поворота рукописных цифр.
Список слоев глубокого обучения
Откройте для себя все уровни глубокого обучения в MATLAB ®.
Определение слоев сверточной нейронной сети
Узнайте о слоях сверточной нейронной сети (ConvNet) и порядке их появления в ConvNet.
Создание кода MATLAB от разработчика глубоких сетей
Создание кода MATLAB для повторного проектирования и обучения сети в Deep Network Designer.
Остаточная сеть поездов для классификации изображений
В этом примере показано, как создать нейронную сеть глубокого обучения с остаточными связями и обучить ее CIFAR-10 данным.
Сеть поездов с числовыми характеристиками
В этом примере показано, как создать и обучить простую нейронную сеть для классификации данных признаков глубокого обучения.
Сети с несколькими входами и несколькими выходами
Узнайте, как определять и обучать сети глубокого обучения с несколькими входами или выходами.
Генеративная состязательная сеть поездов (GAN)
В этом примере показано, как обучить генеративную состязательную сеть генерировать изображения.
Условная состязательная сеть поездов (CGAN)
В этом примере показано, как обучить условную порождающую состязательную сеть генерировать изображения.
Сеть быстрой передачи стилей поездов
В этом примере показано, как обучить сеть переносить стиль изображения на второе изображение.
Субтитры изображения с помощью внимания
В этом примере показано, как обучить модель глубокого обучения субтитрам изображений с использованием внимания.
Сеть поездов, использующая индивидуальный цикл обучения
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с помощью пользовательского графика обучения.
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.
Обучить сиамскую сеть сравнивать изображения
В этом примере показано, как обучить сиамскую сеть идентифицировать похожие изображения рукописных символов.
Импорт пользовательского слоя в конструктор глубоких сетей
В этом примере показано, как импортировать пользовательский выходной слой классификации с суммой потерь ошибок квадратов (SSE) и добавить его в предварительно подготовленную сеть в Deep Network Designer.
Регрессия между изображениями в конструкторе глубоких сетей
В этом примере показано, как использовать Deep Network Designer для построения и обучения сети регрессии «изображение-изображение» для суперразрешения.
Откройте для себя возможности глубокого обучения в MATLAB с использованием сверточных нейронных сетей для классификации и регрессии, включая предварительно обученные сети и обучение передаче, а также обучение по GPU, CPU, кластерам и облакам.
Настройка параметров и сверточная нейронная сеть поезда
Узнайте, как настроить параметры обучения для сверточной нейронной сети.
Предварительная обработка изображений для глубокого обучения
Узнайте, как изменять размер изображений для обучения, прогнозирования и классификации, а также как выполнять предварительную обработку изображений с помощью увеличения объема данных, преобразований и специализированных хранилищ данных.
Тома предварительной обработки для глубокого обучения
Считывание и предварительная обработка объемного изображения и данных этикеток для 3-D глубокого обучения.
Хранилища данных для глубокого обучения
Узнайте, как использовать хранилища данных в приложениях для глубокого обучения.
Преобразовать классификационную сеть в регрессионную сеть
В этом примере показано, как преобразовать обученную классификационную сеть в регрессионную.
Советы и рекомендации по углубленному обучению
Узнайте, как повысить точность сетей глубокого обучения.
Наборы данных для глубокого обучения
Обнаружение наборов данных для различных задач глубокого обучения.
Импорт данных в конструктор глубоких сетей
Импорт и визуализация данных в Deep Network Designer.
