来学习如何使用trainingOptions
功能,请参阅卷积神经网络参数的建立与训练.在确定了一些好的开始选项之后,您可以自动清除超参数或尝试使用贝叶斯优化实验管理器.
通过生成对抗性例子来研究网络的鲁棒性。然后可以使用快速梯度符号法(FGSM)对抗训练来训练网络对对抗扰动的鲁棒性。
深层网络设计师 | 设计、可视化和训练深度学习网络 |
trainingOptions |
深度学习神经网络训练选项 |
trainNetwork |
训练深度学习神经网络 |
学习如何设置卷积神经网络的训练参数。
这个例子展示了如何将贝叶斯优化应用到深度学习中,为卷积神经网络找到最优的网络超参数和训练选项。
这个例子展示了如何在本地机器上运行多个深度学习实验。
这个例子展示了如何训练一个网络,用一个定制的学习速率计划来分类手写数字。
这个例子展示了如何比较ReLU、leaky ReLU、ELU和swish激活层的训练网络的准确性。
使用实验管理器来调整在深度网络设计器中训练的网络的超参数。
学习如何提高深度学习网络的准确性。
这个例子展示了如何使用雅可比正则化方案[1]来训练神经网络,使其对对抗的例子具有鲁棒性。