| Neural Net Pattern Recognition | Классификация данных путем настройки двухслойной сети прямого распространения |
Autoencoder | Класс автоэнкодера |
Классификация шаблонов с неглубокой нейронной сетью
Используйте нейронную сеть для классификации.
Развертывание функций неглубокой нейронной сети
Моделируйте и развертывайте обученные неглубокие нейронные сети с помощью MATLAB® инструменты.
Развертывание обучения мелких нейронных сетей
Узнайте, как развернуть обучение неглубоких нейронных сетей.
Мелкие нейронные сети с параллельными и GPU- Вычисления
Используйте параллельные и распределенные вычисления, чтобы ускорить обучение и симуляцию нейронной сети и обработать большие данные.
Автоматическая сохранение контрольных точек во время обучения нейронной сети
Сохраните промежуточные результаты, чтобы защитить значение длительных запусков.
Выберите функции обработки ввода-вывода нейронной сети
Предварительная обработка входов и целей для более эффективного обучения.
Сконфигурируйте входы и выходы неглубокой нейронной сети
Узнайте, как настроить сеть вручную перед обучением с помощью configure функция.
Разделите данные для оптимального обучения нейронной сети
Используйте функции, чтобы разделить данные на наборы для обучения, валидации и тестирования.
Выберите многослойную функцию обучения нейронной сети
Сравнение алгоритмов настройки по различным типам задач.
Улучшите обобщение неглубокой нейронной сети и избегайте избыточного оснащения
Узнать методы, чтобы улучшить обобщение и предотвратить сверхподбор кривой.
Обучите нейронные сети с весами ошибок
Узнать, как использовать взвешивание ошибок при обучении нейронных сетей
Нормализуйте ошибки нескольких выходов
Узнать, как соответствовать выходным элементам с различными областями значений значений.
Этот пример иллюстрирует использование нейронной сети в качестве классификатора для идентификации пола крабов из физических размерностей краба.
Этот пример иллюстрирует, как нейронная сеть распознавания шаблонов может классифицировать вина по винодельческим предприятиям на основе его химических характеристик.
Этот пример показывает, как обучить нейронную сеть обнаруживать рак с помощью данных масс-спектрометрии на профилях белка.
Этот пример иллюстрирует, как обучить нейронную сеть выполнять простое распознавание символов.
Обучите сложенные автоэнкодеры для классификации изображений
В этом примере показано, как обучить сложенные автоэнкодеры классифицировать изображения цифр.
Рабочий процесс для проекта нейронной сети
Узнайте основные шаги в процессе проекта нейронной сети.
Четыре уровня проекта нейронной сети
Изучение различных уровней использования функциональности нейронной сети.
Многослойные неглубокие нейронные сети и обучение обратному распространению
Рабочий процесс для разработки многослойной неглубокой нейронной сети с feedforward для подбора кривой функции и распознавания шаблона.
Многослойная архитектура неглубокой нейронной сети
Изучение архитектуры многослойной неглубокой нейронной сети.
Общие сведения о сетевых структурах данных мелкого заложения
Узнайте, как формат структур входных данных влияет на симуляцию сетей.
Выборочные данные для мелких нейронных сетей
Список выборочных наборов данных для использования при экспериментах с мелкими нейронными сетями.
Свойства объекта нейронной сети
Узнайте свойства, которые определяют основные функции сети.
Свойства подобъекта нейронной сети
Узнайте свойства, которые определяют детали сети, такие как входы, слои, выходы, цели, смещения и веса.