Документация

Если предварительно обученная сеть уже выполняет требуемую задачу, то переобучать сеть не нужно. Вместо этого вы можете делать прогнозы с сетью непосредственно с помощью classify и predict функции.

Пример см. в разделе Классификация изображения с помощью GoogLeNet.

Если сеть указана как массив слоев или график слоев, и trainingOptions функция предоставляет все необходимые опции, затем вы можете обучить сеть с помощью trainNetwork функция.

Пример, показывающий, как переобучить сеть (перенести обучение), см. в разделе Обучение сети глубокого обучения классификации новых изображений. Пример обучения сети с нуля см. в разделе Создание простой сети глубокого обучения для классификации.

Для большинства задач можно управлять подробностями алгоритма обучения с помощью trainingOptions и trainNetwork функции. Если trainingOptions функция не предоставляет опции, необходимые для выполнения задачи (например, индивидуальный график обучения), после чего можно определить собственный индивидуальный цикл обучения с помощью dlnetwork объект. A dlnetwork объект позволяет обучить сеть, заданную как график слоев, с помощью автоматического дифференцирования.

Для функций потери, которые не могут быть заданы с помощью выходного уровня, можно указать потерю в пользовательском учебном цикле.

Пример обучения сети с использованием пользовательского графика обучения см. в разделе Обучение сети с использованием пользовательского цикла обучения.

Дополнительные сведения см. в разделе Определение пользовательских циклов обучения, функций потери и сетей.

Для сетей, которые не могут быть созданы с помощью графиков слоев, можно определить пользовательскую сеть как функцию. Пример обучения модели глубокого обучения, определенной как функция, см. в разделе Обучение сети с использованием функции модели.

Если можно создать детали сети с помощью графика слоев, можно определить эти детали как графики слоев, а неподдерживаемые детали - с помощью функций модели.

Для большинства задач можно использовать или переподготовить предварительно обученную сеть, такую как googlenet.

Список предварительно подготовленных сетей глубокого обучения в MATLAB ® см. в разделе Предварительно обученные нейронные сети. Предварительно подготовленные сетевые графики можно использовать непосредственно с новыми данными или переобучить их новыми данными для различных задач с помощью обучения переносу.

Если заранее обученная сеть уже выполняет нужную вам задачу, то можно использовать сеть напрямую без переподготовки. Например, можно использовать googlenet сеть для классификации изображений в 1000 классов. Чтобы сделать прогноз непосредственно с сетью, используйте classify и predict функции. Пример см. в разделе Классификация изображения с помощью GoogLeNet.

Если нужно переобучить сеть - например, классифицировать другой набор классов - то можно переобучить сеть с помощью трансферного обучения.

Можно указать большинство моделей глубокого обучения как массив слоев или график слоев. Другими словами, модель можно определить как совокупность слоев с выходами слоев, подключенных к другим входам слоев.

Некоторые сетевые архитектуры не могут быть определены как граф уровня. Например, сиамские сети требуют совместного использования веса и не могут быть определены как граф слоев. Для этих сетей необходимо определить модель как функцию. Пример см. в разделе Сеть поездов с использованием функции модели.

Для сетей с несколькими выходами необходимо обучить сеть с помощью пользовательского цикла обучения. Пример см. в разделе Сеть поездов с несколькими выходами.

Deep Learning Toolbox предоставляет множество различных уровней для задач глубокого обучения. Список слоев см. в разделе Список слоев глубокого обучения.

Если Deep Learning Toolbox предоставляет необходимые промежуточные слои (слои в середине сети), можно определить сеть как массив слоев или график слоев, используя эти слои. В противном случае попробуйте определить все неподдерживаемые слои как пользовательские. Дополнительные сведения см. в разделе Определение пользовательских слоев глубокого обучения.

Если набор инструментов Deep Learning Toolbox не предоставляет необходимый слой, можно попытаться определить пользовательский слой Deep Learning. Дополнительные сведения см. в разделе Определение пользовательских слоев глубокого обучения.

Если можно определить пользовательские слои для любых неподдерживаемых слоев, можно включить эти пользовательские слои в массив слоев или график слоев. В противном случае укажите модель глубокого обучения с помощью функции и обучайте модель с помощью пользовательского цикла обучения. Пример см. в разделе Сеть поездов с использованием функции модели.

Выходные уровни определяют функцию потерь, используемую для обучения. Deep Learning Toolbox предоставляет различные выходные уровни для задач глубокого обучения. Например, classificationLayer и regressionLayer. Список выходных слоев см. в разделе «Выходные слои» на странице «Список слоев глубокого обучения».

Если панель инструментов Deep Learning Toolbox предоставляет необходимые выходные слои, то с помощью этих слоев можно определить график слоев. В противном случае попробуйте определить все неподдерживаемые выходные слои в качестве пользовательского. Дополнительные сведения см. в разделе Определение пользовательских слоев глубокого обучения.

Если Deep Learning Toolbox не предоставляет необходимый выходной слой, можно попытаться определить пользовательский выходной слой. Дополнительные сведения см. в разделе Определение пользовательских слоев глубокого обучения.

Если можно определить пользовательский выходной слой для любых неподдерживаемых выходных слоев, можно включить эти пользовательские слои в массив слоев или график слоев. В противном случае обучайте модель с помощью dlnetwork объект и пользовательский учебный цикл, а также укажите пользовательскую функцию потери. Пример см. в разделе Сеть поездов с использованием пользовательского цикла обучения.

trainingOptions функция предоставляет множество опций для настройки процесса обучения. Если trainingOptions функция предоставляет все опции, необходимые для обучения, затем вы можете обучить сеть глубокого обучения с помощью trainNetwork функция. Пример см. в разделе Создание простой сети глубокого обучения для классификации.

Если trainingOptions функция не предоставляет необходимый вариант обучения, например, индивидуальный график обучения, после чего можно определить индивидуальный цикл обучения с помощью dlnetwork объект. Пример см. в разделе Сеть поездов с использованием пользовательского цикла обучения.