Функции Deep Learning Toolbox - по категориям

Глубокое обучение для изображений

`trainingOptions`	Опции для обучения глубокой нейронной сети
`trainNetwork`	Обучите глубокую нейронную сеть
`analyzeNetwork`	Анализируйте архитектуру нейронной сети для глубокого обучения
`squeezenet`	Сверточная нейронная сеть SqueezeNet
`googlenet`	Сверточная нейронная сеть GoogLeNet
`inceptionv3`	Сверточная нейронная сеть Inception-v3
`densenet201`	Сверточная нейронная сеть DenseNet-201
`mobilenetv2`	Сверточная нейронная сеть MobileNet-v2
`resnet18`	Сверточная нейронная сеть ResNet-18
`resnet50`	Сверточная нейронная сеть ResNet-50
`resnet101`	Сверточная нейронная сеть ResNet-101
`xception`	Сверточная нейронная сеть Xception
`inceptionresnetv2`	Сверточная нейронная сеть Pretrained Inception-ResNet-v2
`nasnetlarge`	Сверточная нейронная сеть Pretrained NASNet-Large
`nasnetmobile`	Сверточная нейронная сеть Pretrained NASNet-Mobile
`shufflenet`	Сверточная нейронная сеть Pretrained ShuffleNet
`darknet19`	Cверточная нейронная сеть DarkNet-19
`darknet53`	Cверточная нейронная сеть DarkNet-53
`efficientnetb0`	Сверточная нейронная сеть EfficientNet-b0
`alexnet`	Сверточная нейронная сеть AlexNet
`vgg16`	Сверточная нейронная сеть VGG-16
`vgg19`	Сверточная нейронная сеть VGG-19
`imageInputLayer`	Отобразите входной слой
`image3dInputLayer`	Входной слой 3-D изображения
`featureInputLayer`	Свойства входного слоя
`convolution2dLayer`	2D сверточный слой
`convolution3dLayer`	3-D сверточный слой
`groupedConvolution2dLayer`	2D сгруппированный сверточный слой
`transposedConv2dLayer`	Транспонированный 2D слой свертки
`transposedConv3dLayer`	Транспонированный 3-D слой свертки
`fullyConnectedLayer`	Полносвязный слой
`reluLayer`	Слой выпрямленных линейных единиц (ReLU)
`leakyReluLayer`	Протекающий ReLU (ReLU)"
`clippedReluLayer`	Отсеченный ReLU
`eluLayer`	Слой экспоненциальных линейных единиц (ELU)
`tanhLayer`	Гиперболический тангенс (tanh) слой
`swishLayer`	Слой Swish
`functionLayer`	Функциональный слой
`batchNormalizationLayer`	Слой пакетной нормировки
`groupNormalizationLayer`	Слой групповой нормировки
`instanceNormalizationLayer`	Слой нормализации экземпляра
`layerNormalizationLayer`	Слой нормализации слоя
`crossChannelNormalizationLayer`	Слой нормализации локального отклика по каналам
`dropoutLayer`	Слой Dropout
`crop2dLayer`	2D слой обрезки
`crop3dLayer`	3-D слой обрезки
`averagePooling2dLayer`	Слой субдискретизации по среднему
`averagePooling3dLayer`	3-D слой субдискретизации по среднему
`globalAveragePooling2dLayer`	Глобальный слой субдискретизации по среднему
`globalAveragePooling3dLayer`	3-D глобальный слой субдискретизации по среднему
`globalMaxPooling2dLayer`	Глобальная слой субдискретизации по максимуму
`globalMaxPooling3dLayer`	3-D глобальная слой субдискретизации по максимуму
`maxPooling2dLayer`	Слой субдискретизации по максимуму
`maxPooling3dLayer`	3-D слой субдискретизации по максимуму
`maxUnpooling2dLayer`	Слой обратной субдискретизации по максимуму
`additionLayer`	Слой сложения
`multiplicationLayer`	Слой умножения
`concatenationLayer`	Слой конкатенации
`depthConcatenationLayer`	Слой конкатенации по глубине
`sigmoidLayer`	Сигмоидальный слой
`softmaxLayer`	Слой Softmax
`classificationLayer`	Слой классификации
`regressionLayer`	Создайте регрессию выходной слой
`augmentedImageDatastore`	Преобразуйте пакеты, чтобы увеличить данные изображения
`imageDataAugmenter`	Сконфигурируйте увеличение данных изображения
`augment`	Примените идентичные случайные преобразования к повторным изображениям
`layerGraph`	График слоев сети для глубокого обучения
`plot`	Постройте график слоев нейронной сети
`addLayers`	Добавьте слои в график слоев
`removeLayers`	Удалите слои из графика слоев
`replaceLayer`	Замените слой в графике слоев
`connectLayers`	Соедините слои в графике слоев
`disconnectLayers`	Отключите слои в графике слоев
`DAGNetwork`	Сеть Directed acyclic graph (DAG) для глубокого обучения
`resnetLayers`	Создайте 2D остаточную сеть
`resnet3dLayers`	Создайте 3-D остаточную сеть
`isequal`	Проверяйте равенство графиков слоев глубокого обучения или сетей
`isequaln`	Проверяйте равенство графиков слоев глубокого обучения или сетей, игнорирующих `NaN` значения
`classify`	Классифицируйте данные с помощью обученной глубокой нейронной сети
`predict`	Предскажите ответы с помощью обученной глубокой нейронной сети
`activations`	Вычислите активации слоя нейронной сети для глубокого обучения
`confusionchart`	Создайте матричный график беспорядка для проблемы классификации
`sortClasses`	Сортировка классов матричного графика беспорядка

Глубокое обучение для данных о временных рядах и последовательности

`trainingOptions`	Опции для обучения глубокой нейронной сети
`trainNetwork`	Обучите глубокую нейронную сеть
`analyzeNetwork`	Анализируйте архитектуру нейронной сети для глубокого обучения
`sequenceInputLayer`	Последовательность ввела слой
`featureInputLayer`	Свойства входного слоя
`lstmLayer`	Слой Long short-term memory (LSTM)
`bilstmLayer`	Двунаправленный долгий краткосрочный слой (BiLSTM) памяти
`gruLayer`	Слой Gated recurrent unit (GRU)
`convolution1dLayer`	1D сверточный слой
`fullyConnectedLayer`	Полносвязный слой
`maxPooling1dLayer`	1D макс. слой объединения
`averagePooling1dLayer`	1D средний слой объединения
`globalMaxPooling1dLayer`	1D глобальная переменная макс. объединение слоя
`globalAveragePooling1dLayer`	1D глобальный средний слой объединения
`reluLayer`	Слой выпрямленных линейных единиц (ReLU)
`leakyReluLayer`	Протекающий ReLU (ReLU)"
`clippedReluLayer`	Отсеченный ReLU
`eluLayer`	Слой экспоненциальных линейных единиц (ELU)
`tanhLayer`	Гиперболический тангенс (tanh) слой
`swishLayer`	Слой Swish
`softmaxLayer`	Слой Softmax
`dropoutLayer`	Слой Dropout
`functionLayer`	Функциональный слой
`sequenceFoldingLayer`	Слой сворачивания последовательности
`sequenceUnfoldingLayer`	Слой разворачивания последовательности
`flattenLayer`	Слой Flatten
`classificationLayer`	Слой классификации
`regressionLayer`	Создайте регрессию выходной слой
`classify`	Классифицируйте данные с помощью обученной глубокой нейронной сети
`predict`	Предскажите ответы с помощью обученной глубокой нейронной сети
`activations`	Вычислите активации слоя нейронной сети для глубокого обучения
`predictAndUpdateState`	Предскажите ответы с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние
`classifyAndUpdateState`	Классифицируйте данные с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние
`resetState`	Сбросьте состояние рекуррентной нейронной сети
`confusionchart`	Создайте матричный график беспорядка для проблемы классификации
`sortClasses`	Сортировка классов матричного графика беспорядка
`padsequences`	Заполните или обрежьте данные о последовательности до той же длины

Настройка и визуализация глубокого обучения

Приложение Deep Network Designer

`trainingOptions`	Опции для обучения глубокой нейронной сети
`trainNetwork`	Обучите глубокую нейронную сеть

Приложение Experiment Manager

`experiments.Monitor`	Обновите таблицу результатов и учебные графики для пользовательских учебных экспериментов
`groupSubPlot`	Метрики группы в графике обучения эксперименту
`recordMetrics`	Запишите метрические значения в таблице результатов эксперимента и учебном графике
`updateInfo`	Обновите информационные столбцы в таблице результатов эксперимента

Настройка глубокого обучения

`trainingOptions`	Опции для обучения глубокой нейронной сети
`trainNetwork`	Обучите глубокую нейронную сеть

Визуализация глубокого обучения

`analyzeNetwork`	Анализируйте архитектуру нейронной сети для глубокого обучения
`plot`	Постройте график слоев нейронной сети
`activations`	Вычислите активации слоя нейронной сети для глубокого обучения
`predict`	Предскажите ответы с помощью обученной глубокой нейронной сети
`classify`	Классифицируйте данные с помощью обученной глубокой нейронной сети
`predictAndUpdateState`	Предскажите ответы с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние
`classifyAndUpdateState`	Классифицируйте данные с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние
`resetState`	Сбросьте состояние рекуррентной нейронной сети
`deepDreamImage`	Визуализируйте сетевые функции с помощью, глубоко мечтают
`occlusionSensitivity`	Объясните сетевые предсказания путем закрытия входных параметров
`imageLIME`	Объясните сетевые предсказания с помощью LIME
`gradCAM`	Объясните сетевые предсказания с помощью CAM градиента
`confusionchart`	Создайте матричный график беспорядка для проблемы классификации
`sortClasses`	Сортировка классов матричного графика беспорядка

Применение глубокого обучения

Компьютерное зрение с использованием глубокого обучения

`boxLabelDatastore`	Datastore для ограничительной рамки помечает данные
`pixelLabelDatastore`	Datastore для данных о пиксельных метках
`pixelLabelImageDatastore`	Datastore для сетей семантической сегментации

Обработка изображений с использованием глубокого обучения

`augmentedImageDatastore`	Преобразуйте пакеты, чтобы увеличить данные изображения
`randomPatchExtractionDatastore`	Datastore для извлечения случайных 2D или 3-D случайных закрашенных фигур от изображений или пикселя помечает изображения
`blockedImageDatastore`	Datastore для использования с блоками из `blockedImage` объекты

Лоцируйте обработку Используя глубокое обучение

`pointPillarsObjectDetector`	Детектор объектов PointPillars
`trainPointPillarsObjectDetector`	Обучите детектор объектов PointPillars
`detect`	Обнаружьте использование объектов детектор объектов PointPillars
`squeezesegv2Layers`	Создайте сеть сегментации SqueezeSegV2 для организованного облака точек лидара
`pointnetplusLayers`	Создайте PointNet ++ сеть сегментации

Обработка сигналов с использованием глубокого обучения

`labeledSignalSet`	Создайте помеченный набор сигнала
`signalLabelDefinition`	Создайте определение метки сигнала
`signalMask`	Измените и преобразуйте маски сигнала и извлеките необходимые области сигнала
`countlabels`	Считайте количество уникальных меток
`folders2labels`	Получите список меток с имен папок
`splitlabels`	Найдите, что индексы разделяют метки согласно заданным пропорциям
`signalDatastore`	Datastore для набора сигналов
`dlstft`	Кратковременное преобразование Фурье глубокого обучения
`stftLayer`	Кратковременный слой преобразования Фурье

Обработка аудиоданных с использованием глубокого обучения

`audioDatastore`	Datastore для набора звуковых файлов
`audioDataAugmenter`	Увеличьте аудиоданные
`audioFeatureExtractor`	Оптимальная экстракция функции аудио
`ivectorSystem`	Создайте систему i-вектора
`openl3Features`	Извлеките функции OpenL3
`pitchnn`	Оцените тангаж с глубокой нейронной сетью
`vggishFeatures`	Извлеките функции VGGish
`classifySound`	Классифицируйте звуки на звуковой сигнал
`crepe`	Нейронная сеть CREPE
`crepePreprocess`	Предварительно обработайте аудио для нейронной сети для глубокого обучения CREPE
`crepePostprocess`	Постобработайте выход нейронной сети для глубокого обучения CREPE
`openl3`	Нейронная сеть OpenL3
`openl3Features`	Извлеките функции OpenL3
`openl3Preprocess`	Предварительно обработайте аудио для извлечения признаков OpenL3
`pitchnn`	Оцените тангаж с глубокой нейронной сетью
`vggish`	Нейронная сеть VGGish
`vggishFeatures`	Извлеките функции VGGish
`vggishPreprocess`	Предварительно обработайте аудио для извлечения признаков VGGish
`yamnet`	Нейронная сеть YAMNet
`yamnetGraph`	График онтологии YAMNet AudioSet
`yamnetPreprocess`	Предварительно обработайте аудио для классификации YAMNet

Текстовая аналитика Используя глубокое обучение

`wordEmbeddingLayer`	Слой встраивания Word для нейронных сетей для глубокого обучения
`fastTextWordEmbedding`	Предварительно обученное fastText встраивание слова
`readWordEmbedding`	Считайте встраивание слова из файла
`trainWordEmbedding`	Обучите встраивание слова
`doc2sequence`	Преобразуйте документы последовательностям для глубокого обучения
`word2vec`	Сопоставьте слово со встраиванием вектора
`word2ind`	Сопоставьте слово с кодированием индекса
`vec2word`	Сопоставьте вектор встраивания со словом
`ind2word`	Сопоставьте индекс кодирования со словом
`isVocabularyWord`	Протестируйте, если слово является членом встраивания слова или кодирования
`writeWordEmbedding`	Запишите файл встраивания слова
`wordEmbedding`	Модель встраивания Word, чтобы сопоставить слова с векторами и назад
`wordEncoding`	Модель кодирования Word, чтобы сопоставить слова с индексами и назад

Импорт глубокого обучения, экспорт и индивидуальная настройка

Импорт и экспорт глубокого обучения

`importKerasNetwork`	Импортируйте предварительно обученную сеть Keras и веса
`importKerasLayers`	Импортируйте слои из сети Keras
`importTensorFlowNetwork`	Импортируйте предварительно обученную сеть TensorFlow
`importTensorFlowLayers`	Импортируйте слои из сети TensorFlow
`importCaffeNetwork`	Импортируйте предварительно обученные модели сверточной нейронной сети из Caffe
`importCaffeLayers`	Импортируйте слои сверточной нейронной сети из Caffe
`importONNXNetwork`	Импортируйте предварительно обученную сеть ONNX
`importONNXLayers`	Импортируйте слои из сети ONNX
`importONNXFunction`	Импортируйте предварительно обученную сеть ONNX как функцию
`ONNXParameters`	Параметры импортированной сети ONNX для глубокого обучения
`freezeParameters`	Преобразуйте learnable сетевые параметры в `ONNXParameters` к nonlearnable
`unfreezeParameters`	Преобразуйте nonlearnable сетевые параметры в `ONNXParameters` к learnable
`addParameter`	Добавьте параметр в `ONNXParameters` объект
`removeParameter`	Удалите параметр из `ONNXParameters` объект
`functionLayer`	Функциональный слой
`findPlaceholderLayers`	Найдите слои заполнителя в сетевой архитектуре импортированными из Keras или ONNX
`replaceLayer`	Замените слой в графике слоев
`assembleNetwork`	Соберите нейронную сеть для глубокого обучения от предварительно обученных слоев
`PlaceholderLayer`	Слой, заменяющий неподдерживаемый слой Keras или ONNX или неподдерживаемую функциональность от `functionToLayerGraph`
`addLayers`	Добавьте слои в график слоев
`removeLayers`	Удалите слои из графика слоев
`exportONNXNetwork`	Экспорт сети в формат модели ONNX

Глубокое обучение пользовательские слои

`functionLayer`	Функциональный слой
`checkLayer`	Проверяйте валидность пользовательского или функционального слоя
`setLearnRateFactor`	Установите изучают фактор уровня настраиваемого параметра слоя
`setL2Factor`	Установитесь коэффициент регуляризации L2 настраиваемого параметра слоя
`getLearnRateFactor`	Доберитесь изучают фактор уровня настраиваемого параметра слоя
`getL2Factor`	Получите фактор регуляризации L2 настраиваемого параметра слоя
`findPlaceholderLayers`	Найдите слои заполнителя в сетевой архитектуре импортированными из Keras или ONNX
`replaceLayer`	Замените слой в графике слоев
`assembleNetwork`	Соберите нейронную сеть для глубокого обучения от предварительно обученных слоев
`PlaceholderLayer`	Слой, заменяющий неподдерживаемый слой Keras или ONNX или неподдерживаемую функциональность от `functionToLayerGraph`

Глубокое обучение пользовательские учебные циклы

`dlnetwork`	Нейронная сеть для глубокого обучения для пользовательских учебных циклов
`forward`	Вычислите нейронную сеть для глубокого обучения выход для обучения
`predict`	Вычислите нейронную сеть для глубокого обучения выход для вывода
`adamupdate`	Обновите параметры с помощью адаптивной оценки момента (Адам)
`rmspropupdate`	Обновите параметры с помощью корневого среднеквадратического распространения (RMSProp)
`sgdmupdate`	Обновите параметры с помощью стохастического градиентного спуска с импульсом (SGDM)
`dlupdate`	Обновите параметры с помощью пользовательской функции
`minibatchqueue`	Создайте мини-пакеты для глубокого обучения
`onehotencode`	Закодируйте метки данных в одногорячие векторы
`onehotdecode`	Декодируйте векторы вероятности в метки класса
`padsequences`	Заполните или обрежьте данные о последовательности до той же длины
`initialize`	Инициализируйте настраиваемые параметры и параметры состояния `dlnetwork`
`dlarray`	Массив глубокого обучения для пользовательских учебных циклов
`dlgradient`	Вычислите градиенты для пользовательских учебных циклов с помощью автоматического дифференцирования
`dlfeval`	Оцените модель глубокого обучения для пользовательских учебных циклов
`dims`	Метки размерности `dlarray`
`finddim`	Найдите размерности с заданной меткой
`stripdims`	Удалите `dlarray` формат данных
`extractdata`	Извлеките данные из `dlarray`
`isdlarray`	Определите, является ли введенный `dlarray`
`functionToLayerGraph`	Преобразуйте функцию модели глубокого обучения в график слоев
`dlconv`	Свертка глубокого обучения
`dltranspconv`	Глубокое обучение транспонировало свертку
`lstm`	Долгая краткосрочная память
`gru`	Закрытый текущий модуль
`embed`	Встройте дискретные данные
`fullyconnect`	Суммируйте все взвешенные входные данные и примените смещение
`dlode45`	Решение для глубокого обучения нежесткого обыкновенного дифференциального уравнения (ODE)
`relu`	Примените исправленную линейную модульную активацию
`leakyrelu`	Примените текучую исправленную линейную модульную активацию
`batchnorm`	Нормируйте данные через все наблюдения для каждого канала независимо
`crosschannelnorm`	Межканальный квадрат - нормирует использующие локальные ответы
`groupnorm`	Нормируйте данные через сгруппированные подмножества каналов для каждого наблюдения независимо
`instancenorm`	Нормируйте через каждый канал для каждого наблюдения независимо
`layernorm`	Нормируйте данные через все каналы для каждого наблюдения независимо
`avgpool`	Объедините данные к средним значениям по пространственным размерностям
`maxpool`	Объедините данные к максимальному значению
`maxunpool`	Не объедините выход максимальной операции объединения
`softmax`	Примените softmax активацию, чтобы образовать канал размерность
`sigmoid`	Примените сигмоидальную активацию
`crossentropy`	Потеря перекрестной энтропии для задач классификации
`l1loss`	Потеря _L1 для задач регрессии
`l2loss`	Потеря _L2 для задач регрессии
`huber`	Утрата Хубера для задач регрессии
`mse`	Половина среднеквадратической ошибки
`ctc`	Потеря ассоциативной временной классификации (CTC) для невыровненной классификации последовательностей
`dlaccelerate`	Ускорьте функцию глубокого обучения для пользовательских учебных циклов
`AcceleratedFunction`	Ускоренная функция глубокого обучения
`clearCache`	Очистите ускоренный кэш трассировки функции глубокого обучения

Генерация кода глубокого обучения

Квантование

`dlquantizer`	Квантуйте глубокую нейронную сеть к 8-битным масштабированным целочисленным типам данных
`dlquantizationOptions`	Опции для квантования обученной глубокой нейронной сети
`calibrate`	Симулируйте и соберите области значений глубокой нейронной сети
`validate`	Квантуйте и подтвердите глубокую нейронную сеть

Генерация кода глубокого обучения от приложений MATLAB

Генерация кода центрального процессора от приложений MATLAB

`codegen`	Сгенерируйте код C/C++ из кода MATLAB
`coder.getDeepLearningLayers`	Получите список слоев, поддержанных для генерации кода для определенной библиотеки глубокого обучения
`coder.loadDeepLearningNetwork`	Загрузите модель нейронной сети для глубокого обучения
`coder.DeepLearningConfig`	Создайте объекты настройки генерации кода глубокого обучения

Генерация кода графического процессора от приложений MATLAB

`codegen`	Сгенерируйте код C/C++ из кода MATLAB
`coder.getDeepLearningLayers`	Получите список слоев, поддержанных для генерации кода для определенной библиотеки глубокого обучения
`coder.loadDeepLearningNetwork`	Загрузите модель нейронной сети для глубокого обучения
`coder.DeepLearningConfig`	Создайте объекты настройки генерации кода глубокого обучения

Генерация HDL-кода от приложений MATLAB

`dlhdl.Workflow`	Сконфигурируйте рабочий процесс развертывания для глубокой нейронной сети
`dlhdl.Target`	Сконфигурируйте интерфейс на требуемую плату для развертывания рабочего процесса

Приближение функций, кластеризация и управление

Приближение функций и кластеризация

Приближение функций и нелинейная регрессия

`nftool`	Нейронный сетевой подходящий инструмент
`view`	Просмотрите мелкую нейронную сеть
`fitnet`	Функция, соответствующая нейронной сети
`feedforwardnet`	Сгенерируйте нейронную сеть прямого распространения
`cascadeforwardnet`	Сгенерируйте прямую каскадом нейронную сеть
`train`	Обучите мелкую нейронную сеть
`trainlm`	Обратная связь Levenberg-Marquardt
`trainbr`	Байесова обратная связь регуляризации
`trainscg`	Масштабированная обратная связь метода сопряженных градиентов
`trainrp`	Устойчивая обратная связь
`mse`	Среднеквадратическая нормированная ошибочная функция эффективности
`regression`	(Не рекомендуемый), Выполняют линейную регрессию мелких сетевых выходных параметров на целях
`ploterrhist`	Постройте ошибочную гистограмму
`plotfit`	Подгонка функции построения графика
`plotperform`	Постройте производительность сети
`plotregression`	Постройте линейную регрессию
`plottrainstate`	Постройте значения состояния обучения
`genFunction`	Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети

Распознавание образов

`Autoencoder`	Класс автоэнкодера
`nprtool`	Инструмент Neural Net Pattern Recognition
`view`	Просмотрите мелкую нейронную сеть
`trainAutoencoder`	Обучите автоэнкодер
`trainSoftmaxLayer`	Обучите softmax слой классификации
`decode`	Декодируйте закодированные данные
`encode`	Закодируйте входные данные
`predict`	Восстановите входные параметры с помощью обученного автоэнкодера
`stack`	Сложите энкодеры от нескольких автоэнкодеров вместе
`network`	Преобразуйте `Autoencoder` объект в `network` объект
`patternnet`	Сгенерируйте сеть распознавания образов
`lvqnet`	Изучение векторной нейронной сети квантования
`train`	Обучите мелкую нейронную сеть
`trainlm`	Обратная связь Levenberg-Marquardt
`trainbr`	Байесова обратная связь регуляризации
`trainscg`	Масштабированная обратная связь метода сопряженных градиентов
`trainrp`	Устойчивая обратная связь
`mse`	Среднеквадратическая нормированная ошибочная функция эффективности
`roc`	Рабочая характеристика приемника
`plotconfusion`	Постройте матрицу беспорядка классификации
`ploterrhist`	Постройте ошибочную гистограмму
`plotperform`	Постройте производительность сети
`plotregression`	Постройте линейную регрессию
`plotroc`	Постройте рабочую характеристику приемника
`plottrainstate`	Постройте значения состояния обучения
`crossentropy`	Эффективность нейронной сети
`genFunction`	Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети

Кластеризация

Самоорганизующиеся карты

`nctool`	Классификация нейронных сетей или кластеризирующийся инструмент
`view`	Просмотрите мелкую нейронную сеть
`selforgmap`	Самоорганизующаяся карта
`train`	Обучите мелкую нейронную сеть
`plotsomhits`	Постройте самоорганизующиеся демонстрационные хиты карты
`plotsomnc`	Постройте самоорганизующиеся соседние связи карты
`plotsomnd`	Постройте самоорганизующиеся соседние расстояния карты
`plotsomplanes`	Постройте самоорганизующиеся плоскости веса карты
`plotsompos`	Постройте самоорганизующиеся положения веса карты
`plotsomtop`	Постройте самоорганизующуюся топологию карты
`genFunction`	Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети

Конкурентоспособные слои

`competlayer`	Конкурентоспособный слой
`view`	Просмотрите мелкую нейронную сеть
`train`	Обучите мелкую нейронную сеть
`trainru`	Безнадзорное обучение веса/смещения произвольного порядка
`learnk`	Функция изучения веса Kohonen
`learncon`	Функция изучения смещения совести
`genFunction`	Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети

Автоэнкодеры

`Autoencoder`	Класс автоэнкодера
`trainAutoencoder`	Обучите автоэнкодер
`trainSoftmaxLayer`	Обучите softmax слой классификации
`decode`	Декодируйте закодированные данные
`encode`	Закодируйте входные данные
`generateFunction`	Сгенерируйте функцию MATLAB, чтобы запустить автоэнкодер
`generateSimulink`	Сгенерируйте модель Simulink для автоэнкодера
`network`	Преобразуйте `Autoencoder` объект в `network` объект
`plotWeights`	Постройте визуализацию весов для энкодера автоэнкодера
`predict`	Восстановите входные параметры с помощью обученного автоэнкодера
`stack`	Сложите энкодеры от нескольких автоэнкодеров вместе
`view`	Просмотрите автоэнкодер

Задайте мелкие архитектуры нейронной сети

network Создайте пользовательскую мелкую нейронную сеть

Временные ряды и системы управления

Временные ряды и динамические системы

Моделирование и предсказание с NARX и сетями с временной задержкой

`ntstool`	Инструмент временных рядов нейронной сети
`view`	Просмотрите мелкую нейронную сеть
`timedelaynet`	Нейронная сеть с временной задержкой
`narxnet`	Нелинейная авторегрессивная нейронная сеть с внешним входом
`narnet`	Нелинейная авторегрессивная нейронная сеть
`layrecnet`	Рекуррентная нейронная сеть слоя
`distdelaynet`	Распределенная сеть задержки
`train`	Обучите мелкую нейронную сеть
`gensim`	Сгенерируйте блок Simulink для мелкой симуляции нейронной сети
`adddelay`	Добавьте задержку с ответом нейронной сети
`removedelay`	Удалите задержку с ответом нейронной сети
`closeloop`	Преобразуйте обратную связь разомкнутого контура нейронной сети в замкнутый цикл
`openloop`	Преобразуйте нейронную сеть обратная связь с обратной связью в разомкнутый контур
`ploterrhist`	Постройте ошибочную гистограмму
`plotinerrcorr`	Вход графика к ошибочной взаимной корреляции timeseries
`plotregression`	Постройте линейную регрессию
`plotresponse`	Постройте динамический сетевой ответ временных рядов
`ploterrcorr`	Постройте автокорреляцию ошибочных временных рядов
`genFunction`	Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети

Создание моделей Simulink

`gensim`	Сгенерируйте блок Simulink для мелкой симуляции нейронной сети
`setsiminit`	Установите начальные условия блока Simulink нейронной сети
`getsiminit`	Получите вход начальной буквы блока нейронной сети Simulink и состояния задержек слоя
`sim2nndata`	Преобразуйте временные ряды Simulink в данные о нейронной сети
`nndata2sim`	Преобразуйте данные о нейронной сети во временные ряды Simulink

Документация

Функции Deep Learning Toolbox - по категориям

Глубокое обучение для изображений

Глубокое обучение для данных о временных рядах и последовательности

Настройка и визуализация глубокого обучения

Приложение Deep Network Designer

Приложение Experiment Manager

Настройка глубокого обучения

Визуализация глубокого обучения

Применение глубокого обучения

Компьютерное зрение с использованием глубокого обучения

Обработка изображений с использованием глубокого обучения

Лоцируйте обработку Используя глубокое обучение

Обработка сигналов с использованием глубокого обучения

Обработка аудиоданных с использованием глубокого обучения

Текстовая аналитика Используя глубокое обучение

Импорт глубокого обучения, экспорт и индивидуальная настройка

Импорт и экспорт глубокого обучения

Глубокое обучение пользовательские слои

Глубокое обучение пользовательские учебные циклы

Генерация кода глубокого обучения

Квантование

Генерация кода глубокого обучения от приложений MATLAB

Генерация кода центрального процессора от приложений MATLAB

Генерация кода графического процессора от приложений MATLAB

Генерация HDL-кода от приложений MATLAB

Приближение функций, кластеризация и управление

Приближение функций и кластеризация

Приближение функций и нелинейная регрессия

Распознавание образов

Кластеризация

Самоорганизующиеся карты

Конкурентоспособные слои

Автоэнкодеры

Задайте мелкие архитектуры нейронной сети

Временные ряды и системы управления

Временные ряды и динамические системы

Моделирование и предсказание с NARX и сетями с временной задержкой

Создание моделей Simulink

Документация Deep Learning Toolbox

Поддержка