基本设计

用浅层神经网络分类模式

使用神经网络进行分类。

部署浅神经网络功能

使用MATLAB仿真和部署训练过的浅神经网络^®工具。

浅神经网络的部署训练

学习如何部署浅神经网络的训练。

培训可扩展性和效率

基于并行和GPU计算的浅神经网络

使用并行和分布式计算来加快神经网络的训练和模拟，并处理大数据。

神经网络训练过程中自动保存检查点

保存中间结果以保护长时间训练的价值。

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，以更有效的培训。

配置浅神经网络输入输出

学习如何手动配置网络之前培训使用配置函数。

最优神经网络训练的数据分割

使用函数将数据划分为训练、验证和测试集。

选择多层神经网络训练函数

不同问题类型的训练算法比较。

改进浅神经网络泛化，避免过拟合

学习改进泛化和防止过拟合的方法。

用误差权值训练神经网络

学习在训练神经网络时如何使用误差加权。

多个输出的归一化错误

学习如何使用不同范围的值来适应输出元素。

分类

蟹的分类

这个例子演示了使用神经网络作为分类器，从螃蟹的物理维度来识别螃蟹的性别。

葡萄酒的分类

这个例子说明了模式识别神经网络如何根据葡萄酒的化学特征对葡萄酒进行分类。

癌症检测

这个例子展示了如何训练神经网络来检测癌症使用质谱数据的蛋白质谱。

字符识别

这个例子说明了如何训练神经网络来执行简单的字符识别。

Autoencoders

训练堆叠自动编码器的图像分类

这个例子展示了如何训练堆叠的自动编码器对数字图像进行分类。