深入学习图像
通过定义网络架构并从头训练网络来创建用于图像分类和回归任务的新型网络。您还可以使用转移学习来利用佩带的网络提供的知识来学习新数据中的新模式。微调带传输学习的预制图像分类网络通常比从头开始的训练更快和更容易。使用预先使用的深网络使您可以快速学习新任务，而无需定义和培训新网络，具有数百万图像或具有强大的GPU。
定义网络体系结构后，必须使用培训选项功能。然后，您可以使用训练网络trainNetwork．使用培训的网络预测类标签或数字响应。
您可以在CPU，GPU，多个CPU或GPU上培训卷积神经网络，或在群集中或云中并行。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具有计算能力3.0或更高。使用该执行执行环境培训选项功能。
应用程序
| 深层网络设计师 | 设计、可视化和训练深度学习网络 |
功能
特性
| ConfusionMatrixChart属性 | 混淆矩阵图表的外观和行为 |
例子和如何
使用预训练的网络
这个例子展示了如何使用预先训练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的深度卷积神经网络GoogLeNet对来自网络摄像头的图像进行实时分类。
交互式微调预先训练的深度学习网络，以学习新的图像分类任务。
这个例子说明了如何使用迁移学习再培训卷积神经网络，一组新的图片进行分类。
这个例子展示了如何从预先训练的卷积神经网络中提取学习到的图像特征，并使用这些特征来训练图像分类器。
此示例显示了如何微调预折叠的亚历纳特卷积神经网络，以对新的图像集合进行分类。
了解如何下载和使用预训练卷积神经网络分类，传递学习和特征提取。
创建新深网
此示例显示如何为深度学习分类创建和培训一个简单的卷积神经网络。
交互式建立和编辑深度学习网络。
此示例示出了如何使用卷积神经网络来预测的手写体数字旋转角拟合回归模型。
发现MATLAB中所有的深度学习层®．
了解卷积神经网络(ConvNet)的层次，以及它们在ConvNet中出现的顺序。
生成MATLAB代码以在深网络设计师中重新创建设计和培训网络。
这个例子展示了如何创建一个具有残差连接的深度学习神经网络，并在CIFAR-10数据上进行训练。
此示例示出了如何训练生成对抗网络（GAN），以生成图像。
这个例子展示了如何训练条件生成对抗网络(CGAN)来生成图像。
这个例子说明了如何培养用于使用注意图像字幕深刻的学习模式。
此示例显示如何训练将手写数字与自定义学习率计划分类的网络。
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。
这个例子展示了如何训练一个暹罗网络来识别手写字符的相似图像。
概念
发现使用卷积神经网络的分类和回归，包括预先训练网络和传输的学习，并在GPU和CPU，集群和云培训深度学习能力，MATLAB。
了解如何为卷积神经网络设置训练参数。
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、转换和专用数据存储对图像进行预处理。
为三维深度学习读取和预处理体积图像和标记数据。
了解如何在深度学习应用程序中使用数据存储。
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。
了解如何改善深学习网络的精度。
发现各种深度学习任务的数据集。
特色的例子
您还可以从以下列表中选择一个网站：
