模式识别
训练神经网络从示例输入和它们的类中泛化,训练自编码器
应用程序
神经网络模式识别 | 利用两层前馈网络解决模式识别问题 |
类
Autoencoder |
Autoencoder类 |
功能
例子和方法
基本设计
- 用浅神经网络对模式进行分类
使用神经网络进行分类。 - 部署浅层神经网络函数
模拟和部署训练浅神经网络使用MATLAB®工具。 - 浅层神经网络的部署训练
学习如何部署浅层神经网络的训练。
培训可扩展性和效率
- 基于并行和GPU计算的浅神经网络
利用并行和分布式计算加速神经网络的训练和仿真,处理大数据。 - 自动保存检查点在神经网络训练
保存中间结果,以保护长距离训练的价值。
最优解金宝搏官方网站
- 选择神经网络输入输出处理函数
预处理输入和目标,以提高培训效率。 - 配置浅层神经网络输入和输出
在进行培训之前,了解如何手动配置网络配置
函数。 - 划分数据用于最优神经网络训练
使用函数将数据划分为训练集、验证集和测试集。 - 选择一个多层神经网络训练函数
不同问题类型训练算法的比较。 - 改进浅神经网络泛化,避免过拟合
学习提高泛化和防止过拟合的方法。 - 用误差权重训练神经网络
学习如何在训练神经网络时使用误差加权。 - 归一化多个输出的误差
了解如何使用不同范围的值来匹配输出元素。
分类
Autoencoders
- 训练堆叠自编码器用于图像分类
这个例子展示了如何训练堆叠的自动编码器来对数字图像进行分类。
概念
- 神经网络设计工作流程
学习神经网络设计过程中的主要步骤。
- 神经网络设计的四个层次
学习使用神经网络功能的不同层次。
- 多层浅层神经网络与反向传播训练
用于函数拟合和模式识别的多层浅前馈神经网络的设计工作流程。
- 多层浅层神经网络结构
学习多层浅层神经网络的结构。
- 理解浅层网络数据结构
了解输入数据结构的格式如何影响网络模拟。
- 浅层神经网络的样本数据集
浅层神经网络实验时使用的样本数据集列表。
- 神经网络对象属性
学习定义网络基本特征的属性。
- 神经网络子对象属性
学习定义网络细节的属性,如输入、层、输出、目标、偏差和权重。