深度学习与图片
通过定义网络架构，并从头开始训练网络创建图像分类和回归任务新的深网。您还可以使用迁移学习采取通过预训练网络提供的知识的优势，在新的资料来了解新的模式。微调预训练图像分类网络传输的学习通常比从头开始培训更快，更容易。使用预训练深层网络使您能够快速学习新的任务，而无需定义和训练一个新的网络，有百万计的图像，或者具有强大的GPU。
定义网络架构后，您必须定义使用训练参数trainingOptions功能。然后，您可以使用训练网络trainNetwork。使用训练的网络来预测类标签或数字响应。
你可以训练一个CPU，一个GPU，多个CPU或GPU上卷积神经网络，或者在集群上或在云中并行。在GPU或并行训练需要并行计算工具箱™。使用GPU需要CUDA®启用NVIDIA®GPU计算能力3.0或更高版本。使用指定执行环境trainingOptions功能。
应用
| 深层网络设计师 | 设计，可视化和培训深学习网络 |
功能
属性
| ConfusionMatrixChart属性 | 混淆矩阵图表的外观和行为 |
示例以及如何
使用预训练的网络
这个例子展示了如何使用预训练的深卷积神经网络GoogLeNet的图像进行分类。
这个例子说明了如何从一个摄像头使用实时预训练的深卷积神经网络GoogLeNet图像分类。
交互式微调预训练深层学习网络学习新的图像分类任务。
这个例子说明了如何使用迁移学习再培训卷积神经网络，一组新的图片进行分类。
这个例子说明了如何提取预训练卷积神经网络学会了图像功能，并使用这些功能来训练的图像分类。
这个例子说明了如何微调预训练AlexNet卷积神经网络对图像的新的集合进行分类。
了解如何下载和使用预训练卷积神经网络分类，传递学习和特征提取。
创建新的网络深
这个例子显示了如何创建和训练的深度学习分类的简单卷积神经网络。
交互式建立和编辑深层学习网络。
此示例示出了如何使用卷积神经网络来预测的手写体数字旋转角拟合回归模型。
在MATLAB发现所有深度学习层®。
了解卷积神经网络（ConvNet）的层，它们出现在ConvNet的顺序。
生成MATLAB代码来重新设计和培训在深网络设计者的网络。
这个例子说明了如何创建剩余连接的深度学习神经网络和训练它CIFAR-10的数据。
此示例示出了如何训练生成对抗网络（GAN），以生成图像。
此示例示出了如何培养条件生成对抗网络（CGAN），以生成图像。
这个例子说明了如何培养用于使用注意图像字幕深刻的学习模式。
这个例子显示了如何培养一个网络，以进行分类定制学习费率表手写的数字。
此示例示出了如何训练深度学习网络与预测二者的标签和的手写体数字旋转角度的多个输出。
此示例示出了如何训练连体网络识别的手写字符相似的图像。
概念
发现使用卷积神经网络的分类和回归，包括预先训练网络和传输的学习，并在GPU和CPU，集群和云培训深度学习能力，MATLAB。
了解如何设立一个卷积神经网络训练参数。
了解如何调整图像进行训练，预测和分类，以及如何使用数据增强，转换和专业数据存储预处理图像。
阅读和3-d深度学习预处理体积图像和标签数据。
了解如何使用深层学习应用的数据存储。
这个例子说明如何将训练的分类网络转换成回归网络。
了解如何改善深学习网络的精度。
发现数据集各种深学习任务。
精选示例
您还可以选择从下面的列表中的网站：
