Создайте, скомпилируйте и разверните dlhdl.Workflow object, который имеет Сеть Распознавания Логотипа как сетевой объект с помощью Пакета поддержки Deep Learning HDL Toolbox™ для FPGA Xilinx и SoC. Использование MATLAB®, чтобы получить предсказание следует из целевого устройства.

Создайте, скомпилируйте и разверните dlhdl.Workflow object, который имеет сверточную нейронную сеть. Сеть может обнаружить и вывести контуры маркера маршрута как сетевой объект с помощью Пакета поддержки Deep Learning HDL Toolbox™ для FPGA Xilinx и SoC. Использование MATLAB®, чтобы получить предсказание следует из целевого устройства.

Создайте, скомпилируйте и разверните dlhdl.Workflow object с alexnet как сетевой объект при помощи Пакета поддержки Deep Learning HDL Toolbox™ для FPGA Xilinx и SoC. Использование MATLAB®, чтобы получить предсказание следует из целевого устройства. Alexnet является предварительно обученной сверточной нейронной сетью, которая была обучена на более чем миллионе изображений и может классифицировать изображения в 1 000 категорий объектов (таких как клавиатура, кофе, кружка, карандаш и многие животные). Можно также использовать VGG-19 и даркнет 19 как сетевые объекты.

Обучите, скомпилируйте и разверните dlhdl.Workflow object, который имеет ResNet-18 как сетевой объект при помощи Пакета поддержки Deep Learning HDL Toolbox™ для FPGA Xilinx и SoC. Использование MATLAB®, чтобы получить предсказание следует из целевого устройства.

Разверните пользовательскую обученную серийную сеть, чтобы обнаружить дефекты в объектах, таких как шестиугольные гайки. Пользовательские сети были обучены при помощи передачи обучения. Передача обучения обычно используется в применении глубокого обучения. Можно взять предварительно обученную сеть и использовать ее в качестве начальной точки, чтобы изучить новую задачу. Подстройка сети с передачей обучения обычно намного быстрее и легче, чем обучение сети со случайным образом инициализированными весами с нуля. Можно быстро передать изученные функции новой задаче с помощью меньшего числа учебных сигналов. Этот пример использует две обученных серийных сети, trainedDefNet.mat и trainedBlemDetNet.mat.

Разверните пользовательскую обученную серийную сеть, чтобы обнаружить пешеходов и велосипедистов на основе их micro-Doppler подписей. Эта сеть взята из Классификации Пешеходов и Велосипедистов Используя пример Глубокого обучения от Тулбокса Фазированной решетки. Для получения дополнительной информации о сетевом обучении и входных данных, смотрите Классификацию Пешеходов и Велосипедистов Используя Глубокое обучение.

Накормите изображением сверточную нейронную сеть и отобразите активации различных слоев сети. Исследуйте активации и узнайте, какие функции сеть изучает путем сравнения областей активации к оригинальному изображению. Каналы в более ранних слоях изучают простые функции как цвет и ребра, в то время как каналы в более глубоких слоях изучают комплексные функции. Идентификация функций таким образом может помочь вам изучить то, что изучила сеть.

Типичные сети классификации рядов включают последовательность слоев свертки, сопровождаемых одним или несколькими полносвязными слоями. Недавние результаты исследования показывают, что лучшая эффективность достигается для извлечения признаков и распознавания при помощи активаций слоя свертки непосредственно вместо тех от последующих полносвязных слоев.

Глубокое обучение является мощным методом машинного обучения, который можно использовать, чтобы обучить устойчивые детекторы объектов. Несколько методов для обнаружения объектов существуют, включая Faster R-CNN и вы только смотрите однажды (YOLO) v2.

Обучайтесь и развернитесь, вы смотрят только однажды (YOLO) v2 детектор объектов.

Классифицируйте человеческую электрокардиограмму (ECG) сигналы путем развертывания обученной сети направленного графа без петель (DAG).

Быстрое прототипирование ваша пользовательская нейронная сеть для глубокого обучения и поток битов путем визуализации промежуточной активации слоя заканчивается и проверки точности предсказания без целевого компьютера путем эмуляции сети и потока битов. Чтобы эмулировать сеть и передать поток битов, создайте dlhdl.Simulator object. Используйте dlhdl.Simulator object для: