基本设计

用浅神经网络进行分类模式

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色神经网络^®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

具有平行和GPU计算的浅神经网络

使用并行和分布式计算来加速神经网络培训和仿真并处理大数据。

在神经网络培训期间自动保存检查点

保存中间结果以保护长期训练的价值。

最佳解决方案金宝搏官方网站

选择神经网络输入 - 输出处理功能

预处理输入和目标用于更有效的培训。

配置浅层神经网络输入和输出

了解如何在使用中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功能

不同问题类型训练算法的比较。

提高浅层神经网络泛化，避免过度装备

学习改进泛化和预装配的方法。

用错误重量火车神经网络

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

该示例说明了模式识别神经网络如何通过基于其化学特性通过酿酒厂对葡萄酒进行分类。

癌症检测

该实施例显示了如何使用质谱数据训练神经网络以在蛋白质谱上使用质谱数据来检测癌症。

字符识别

此示例说明了如何训练神经网络以执行简单的字符识别。

autoencoders.

列车堆积的autoencoders用于图像分类

此示例显示如何训练堆叠的AutoEncoders以对数字图像进行分类。