Глубокое обучение с изображениями
Создайте новые глубокие сети для задач классификации и регрессии изображений путем определения сетевой архитектуры и обучения сети с нуля. Можно также использовать передача обучения, чтобы использовать знания, предоставляемые предварительно обученной сетью, чтобы узнать новые шаблоны в новых данных. Настройка предварительно обученной сети классификации изображений с помощью передачи обучения обычно намного быстрее и проще, чем обучение с нуля. Использование предварительно обученных глубоких сетей позволяет быстро обучаться новым задачам, не определяя и не обучая новую сеть, имея миллионы изображений или обладая мощным графическим процессором.
После определения сетевой архитектуры необходимо задать параметры обучения с помощью trainingOptions функция. Затем можно обучить сеть с помощью trainNetwork. Используйте обученную сеть для предсказания меток классов или числовых откликов.
Можно обучить сверточную нейронную сеть на центральном процессоре, графическом процессоре, нескольких центральных процессорах или графических процессорах, или параллельно на кластере или в облаке. Для обучения на графическом процессоре или параллельно требуется Parallel Computing Toolbox™. Для использования графический процессор требуется поддерживаемый графический процессор (информацию о поддерживаемых устройствах см. в разделе Поддержка GPU Release (Parallel Computing Toolbox)). Задайте окружение выполнения, используя trainingOptions функция.
Приложения
| Deep Network Designer | Проектирование, визуализация и обучение нейронных сетей для глубокого обучения |
Функции
Блоки
Свойства
| ConfusionMatrixChart Properties | Внешний вид и поведение матричного графика неточностей |
Примеры и как
Использование предварительно обученных сетей
Классификация изображений 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 режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
Перенесите обучение с помощью Deep Network Designer
Интерактивно подстройте предварительно обученное нейронную сеть для глубокого обучения, чтобы узнать новую задачу классификации изображений.
Обучите нейронную сеть для глубокого обучения для классификации новых изображений
Этот пример показывает, как использовать передачу обучения для переобучения сверточной нейронной сети для классификации нового набора изображений.
Извлечение функций помощью предварительно обученной сети
Этот пример показывает, как извлечь признаки выученного изображения из предварительно обученной сверточной нейронной сети и использовать эти функции для обучения классификатора изображений.
Передача обучения с использованием предварительно обученной сети
В этом примере показано, как подстроить предварительно обученную сверточную нейронную сеть GoogLeNet для выполнения классификации на новом наборе изображений.
Предварительно обученные глубокие нейронные сети
Узнать, как загрузить и использовать предварительно обученные сверточные нейронные сети для классификации, передачи обучения и редукции данных.
Создайте новую глубокую сеть
Создайте простую сеть глубокого обучения для классификации
Этот пример показывает, как создать и обучить простую сверточную нейронную сеть для классификации глубокого обучения.
Построение сетей с помощью Deep Network Designer
В интерактивном режиме создайте и отредактируйте нейронные сети для глубокого обучения.
Обучите сверточную нейронную сеть для регрессии
Этот пример показывает аппроксимацию регрессионной модели с помощью сверточных нейронных сетей для предсказания углов поворота рукописных цифр.
Список слоев глубокого обучения
Узнайте все слои глубокого обучения в MATLAB®.
Задайте слои сверточной нейронной сети
Узнайте о слоях сверточной нейронной сети (ConvNet) и порядке их появления в ConvNet.
Сгенерируйте код MATLAB из Deep Network Designer
Сгенерируйте код MATLAB, чтобы воссоздать разработку и обучение сети в Deep Network Designer.
Обучите остаточную сеть для классификации изображений
Этот пример показывает, как создать глубокую нейронную сеть обучения с остаточными связями и обучить ее на CIFAR-10 данных.
Обучите сеть с числовыми функциями
В этом примере показано, как создать и обучить простую нейронную сеть для классификации данных о функциях глубокого обучения.
Сети нескольких входов и нескольких выходов
Узнать, как определить и обучить нейронные сети для глубокого обучения с несколькими входами или несколькими выходами.
Обучите генеративную состязательную сеть (GAN)
Этот пример показывает, как обучить генеративную состязательную сеть для генерации изображений.
Обучите условную генеративную состязательную сеть (CGAN)
Этот пример показывает, как обучить условную генеративную состязательную сеть для генерации изображений.
Обучите передаточную сеть быстрого стиля
В этом примере показано, как обучить сеть переносить стиль изображения во второе изображение.
Подписывание изображений с использованием внимания
В этом примере показано, как обучить модель глубокого обучения для подписывания изображений с использованием внимания.
Обучите сеть с помощью пользовательского цикла обучения
В этом примере показано, как обучить сеть, которая классифицирует рукописные цифры с пользовательским расписанием скорости обучения.
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.
Обучите сиамскую сеть сравнивать изображения
В этом примере показано, как обучить сиамскую сеть идентифицировать аналогичные изображения рукописных символов.
Импорт пользовательского слоя в Deep Network Designer
В этом примере показано, как импортировать пользовательский выходной слой классификации с суммой потерь при ошибке квадратов (SSE) и добавить его в предварительно обученную сеть в Deep Network Designer.
Регрессия изображение-изображение в Deep Network Designer
В этом примере показов, как использовать Deep Network Designer для создания и обучения сети регрессии изображение-изображение для супер- разрешение.
Концепции
Узнайте о возможностях глубокого обучения в MATLAB, используя сверточные нейронные сети для классификации и регрессии, включая предварительно обученные сети и передачу обучения, и обучение на графических процессорах, центральных процессорах, кластерах и облаках.
Настройте параметры и обучите сверточную нейронную сеть
Узнать, как настроить параметры обучения для сверточной нейронной сети.
Предварительная обработка изображений для глубокого обучения
Узнать, как изменить размер изображений для обучения, предсказания и классификации, и как обработать изображения с помощью увеличения данных, преобразований и специализированных хранилищ данных.
Предварительная обработка томов для глубокого обучения
Считывайте и предварительно обрабатывайте объемное изображение и данные о метках для 3-D глубокого обучения.
Datastores для глубокого обучения
Узнайте, как использовать хранилища данных в применениях глубокого обучения.
Преобразуйте классификационную сеть в регрессионую
В этом примере показано, как преобразовать обученную классификационную сеть в регрессионую сеть.
Советы и рекомендации по глубокому обучению
Узнать, как улучшить точность нейронных сетей для глубокого обучения.
Наборы данных для глубокого обучения
Обнаружение наборов данных для различных задач глубокого обучения.
Импорт данных в Deep Network Designer
Импорт и визуализация данных в Deep Network Designer.
