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。
定义网络体系结构后,必须使用trainingOptions
函数。然后您可以使用网络进行培训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
函数。
深层网络设计师 | 设计、可视化和培训深度学习网络 |
ConfusionMatrixChart属性 | 混淆矩阵图的外观和行为 |
这个例子展示了如何使用预先训练好的深度卷积神经网络GoogLeNet对图像进行分类。
这个例子展示了如何使用预先训练好的深度卷积神经网络GoogLeNet对网络摄像头中的图像进行实时分类。
交互式微调一个预先训练好的深度学习网络学习一个新的图像分类任务。
这个例子展示了如何使用转移学习来重新训练卷积神经网络来分类一组新的图像。
这个例子展示了如何从一个预先训练好的卷积神经网络中提取学习过的图像特征,并使用这些特征来训练一个图像分类器。
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。
学习如何下载和使用预先训练好的卷积神经网络进行分类、迁移学习和特征提取。
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。
交互式地建立和编辑深度学习网络。
这个例子展示了如何用卷积神经网络拟合一个回归模型来预测手写数字的旋转角度。
在MATLAB中发现所有的深度学习层®。
了解卷积神经网络(ConvNet)的层,以及它们在ConvNet中出现的顺序。
生成MATLAB代码来重新设计和培训在深网络设计者的网络。
这个例子展示了如何创建一个具有剩余连接的深度学习神经网络,并在CIFAR-10数据上训练它。
这个例子展示了如何训练生成对抗网络(GAN)来生成图像。
这个例子展示了如何训练一个条件生成对抗网络(CGAN)来生成图像。
这个例子展示了如何训练一个深度学习模型来使用注意力进行图像字幕。
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。
这个例子展示了如何训练一个具有多个输出的深度学习网络来预测手写数字的标签和旋转角度。
这个例子展示了如何训练一个暹罗网络来识别类似的手写字符图像。
在MATLAB中使用卷积神经网络进行分类和回归的深度学习能力,包括预先训练的网络和转移学习,以及对gpu、cpu、集群和云的训练。
了解如何设立一个卷积神经网络训练参数。
了解如何调整图像的大小以进行训练、预测和分类,以及如何使用数据增强、转换和专门的数据存储对图像进行预处理。
读取和预处理三维深度学习的容量图像和标签数据。
了解如何使用深层学习应用的数据存储。
这个例子展示了如何将一个训练有素的分类网络转换成一个回归网络。
学习如何提高深度学习网络的准确性。
发现数据集各种深学习任务。