从TensorFlow™-Keras,来自Caffe和ONNX™(开放式神经网络交换)模型格式导入网络和网络架构。您还可以导出一个训练有素的深度学习工具箱™网络向ONNX模型格式。
您可以为您的问题定义自己的深度学习层。您可以使用自定义输出层指定自定义的损失函数,定义有或没有可以学习的参数自定义图层。例如,可以使用具有用于分类问题加权交叉熵损失的自定义分类加权层用的类的不平衡分布。定义自定义层之后,可以检查该层是有效的,GPU兼容,并输出正确定义梯度。
如果trainingOptions
功能不提供培训选项,你需要为你的任务,或自定义输出层不支持的损失函数,你需要,那么你可以自定义一个训练循环。金宝app对于不能使用层图来创建网络,您可以自定义网络的功能。要了解更多信息,请参阅定义自定义的训练循环、损失函数和网络。
学习如何定义自定义深度学习层。
学习如何检查自定义深度学习层的有效性。
此示例示出了如何定义PReLU层并且在卷积神经网络使用它。
这个例子展示了如何定义一个自定义加权加法层,并在卷积神经网络中使用它。
这个例子展示了如何用平方误差(SSE)损失总和定义自定义分类输出层并且在卷积神经网络使用它。
这个例子展示了如何定义和创建一个带有加权交叉熵损失的自定义加权分类输出层。
该示例示出了如何定义与平均绝对误差(MAE)损失的自定义回归输出层并且在卷积神经网络使用它。
这个例子展示了如何定义一个PReLU层并指定一个定制的向后函数。
这个例子展示了如何定义一个加权的分类层和指定一个自定义的向后丢失函数。
这个例子展示了如何训练一个生成对抗网络(GAN)来生成图像。
此示例示出了如何培养条件生成对抗网络(CGAN),以生成图像。
这个例子显示了如何培养一个连体的网络使用降维来比较手写的数字。
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。
了解如何定义和使用自动分化定制深度学习培训循环,损失的功能,和网络。
了解如何指定自定义的训练循环共同培训方案。
这个例子展示了如何训练一个使用自定义学习速率计划对手写数字进行分类的网络。
这个例子展示了如何在一个自定义训练循环中更新网络状态。
这个例子说明了如何使用做出预测dlnetwork
通过拆分数据为微型批对象。
此示例示出了如何创建和使用的功能,而不是层图形或训练深度学习网络dlnetwork
。
这个例子展示了如何在一个定义为函数的网络中更新网络状态。
这个例子展示了如何使用通过拆分数据模型的功能到小型批次的预测。
这个例子展示了如何用不同的权值初始化器训练深度学习网络。
这个例子说明了如何创建一个自定义他的重量初始化函数卷积层,然后漏RELU层。
这个例子展示了如何从一个预训练的Keras网络导入层,用定制层替代不支持层,并且这些层组装成准备用于预测的网络。金宝app
学习如何定义和训练具有多个输入或输出的深度学习网络。
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。
相反,使用用于预测模型的功能,你可以组装网络成DAGNetwork
准备使用该预测functionToLayerGraph
和assembleNetwork
功能。
了解如何区分自动工作。
如何使用深度学习自动分化。
查看功能的列表支持金宝appdlarray
对象。
这个例子说明了如何使用梯度加权级激活映射(梯度-CAM)技术理解为什么一个深刻的学习网络,使得它的分类决定。