Если trainingOptions
функция не предоставляет опций обучения, которые вам нужны для вашей задачи, или пользовательские выходные слои не поддерживают функции потерь, которые вам нужны, тогда можно задать пользовательский цикл обучения. Для сетей, которые не могут быть созданы с использованием графиков слоев, можно задать пользовательские сети как функцию. Дополнительные сведения см. в разделе «Определение пользовательских циклов обучения, функций потерь и сетей».
Обучите модель глубокого обучения в MATLAB
Узнайте, как обучить модели глубокого обучения в MATLAB®.
Задайте пользовательские циклы обучения, функции потерь и сети
Узнайте, как определить и настроить циклы обучения глубокого обучения, функции потерь и сети с помощью автоматической дифференциации.
Обучите сеть с помощью пользовательского цикла обучения
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с пользовательским расписанием скорости обучения.
Задайте опции обучения в пользовательском цикле обучения
Узнать, как задать общие опции обучения в пользовательском цикле обучения.
Задайте функцию градиентов модели для пользовательского цикла обучения
Узнайте, как задать функцию градиентов модели для пользовательского цикла обучения.
Обновление статистики нормализации партии . в пользовательском цикле обучения
В этом примере показано, как обновить сетевое состояние в пользовательском цикле обучения.
Делайте предсказания, используя объект dlnetwork
В этом примере показано, как делать предсказания с помощью dlnetwork
объект путем разделения данных на мини-пакеты.
Обучите сеть на изображениях и данных о функциях
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с помощью входных данных изображений и функций.
Обучите сеть с несколькими выходами
В этом примере показов, как обучить нейронную сеть для глубокого обучения с несколькими выходами, которые предсказывают и метки, и углы поворотов рукописных цифр.
Классификация видео с использованием глубокого обучения с помощью пользовательского цикла обучения
В этом примере показано, как создать сеть для классификации видео путем объединения предварительно обученной модели классификации изображений и сети классификации последовательностей.
Обучите сеть классификации изображений устойчивой к состязательным примерам
Этот пример показывает, как обучить нейронную сеть, которая является устойчивой к состязательным примерам, используя состязательное обучение метода FGSM.
Обучите устойчивую нейронную сеть для глубокого обучения с якобской регуляризацией
Этот пример показывает, как обучить нейронную сеть, которая устойчива к состязательным примерам, используя якобианскую схему регуляризации [1].
Обучите сеть с помощью функции Model
В этом примере показов, как создать и обучить нейронную сеть для глубокого обучения с помощью функций, а не графа слоев или dlnetwork
.
Обновление статистики нормализации партии . с помощью функции Model
В этом примере показано, как обновить состояние сети в сети, определенной как функция.
Делайте предсказания, используя функцию Model
В этом примере показано, как делать предсказания с помощью функции модели путем разделения данных на мини-пакеты.
Инициализируйте настраиваемые параметры для функции модели
Узнать, как инициализировать настраиваемые параметры для пользовательских циклов обучения с помощью функции модели.
Список функций с поддержкой dlarray
Просмотр списка функций, поддерживающих dlarray
объекты.
Фон автоматической дифференциации
Узнайте, как работает автоматическая дифференциация.
Используйте автоматическую дифференциацию в Deep Learning Toolbox
Как использовать автоматическую дифференциацию в глубоком обучении.
Ускорение функции глубокого обучения для пользовательских циклов обучения
Ускорите функции модели и функции градиентов модели для пользовательских циклов обучения путем кэширования и переиспользования трассировок.
Ускорение пользовательских функций цикла обучения
Этот пример показывает, как ускорить пользовательский цикл обучения глубокого обучения и функции предсказания.
Проверяйте выходы ускоренного глубокого обучения
В этом примере показано, как проверить, что выходы ускоренных функций совпадают с выходами базовой функции.
Оценка эффективности функции ускоренного глубокого обучения
В этом примере показано, как оценить увеличение эффективности использования ускоренной функции.