基本设计

用浅层神经网络分类模式

使用神经网络进行分类。

部署浅层神经网络功能

使用MATLAB模拟和部署培训的浅神经网络^®工具。

部署浅层神经网络的培训

了解如何部署浅层神经网络的培训。

培训可扩展性和效率

基于并行和GPU计算的浅神经网络

使用并行和分布式计算来加快神经网络的训练和模拟，并处理大数据。

神经网络训练过程中自动保存检查点

保存中间结果以保护长时间训练的价值。

最佳解决方案金宝搏官方网站

选择神经网络输入输出处理函数

预处理输入和目标用于更有效的培训。

配置浅神经网络输入输出

了解如何在使用培训之前手动配置网络配置功能。

除以最佳神经网络培训的数据

使用函数将数据划分为培训，验证和测试集。

选择多层神经网络训练函数

不同问题类型的训练算法比较。

提高浅层神经网络泛化，避免过度装备

学习改进泛化和防止过拟合的方法。

用错误权重火车神经网络

学习如何在培训神经网络时使用错误加权。

正常化多个输出的错误

了解如何使用不同的值范围拟合输出元素。

分类

螃蟹分类

该示例使用神经网络作为分类器来说明从螃蟹的物理尺寸识别螃蟹的性别。

葡萄酒分类

这个例子说明了模式识别神经网络如何根据葡萄酒的化学特征对葡萄酒进行分类。

癌症检测

该示例显示如何使用质谱数据训练神经网络来检测癌症的蛋白质谱。

字符识别

该示例说明了如何训练神经网络以执行简单的字符识别。

autoencoders.

列车堆叠的AutoEncoders用于图像分类

此示例显示如何培训堆叠的AutoEncoders以对数字进行分类。