图像深度学习
通过定义网络架构和从头开始训练网络，为图像分类和回归任务创建新的深度网络。您还可以使用迁移学习来利用预先训练的网络提供的知识来学习新数据中的新模式。使用迁移学习对预训练的图像分类网络进行微调通常比从头开始训练更快更容易。使用预训练的深度网络可以让你快速学习新的任务，而无需定义和训练一个新的网络，拥有数百万张图像，或拥有强大的GPU。
定义网络体系结构后，必须使用trainingOptions函数。然后你可以使用trainNetwork．使用训练过的网络来预测类别标签或数字响应。
你可以在CPU、GPU、多个CPU或GPU上训练卷积神经网络，也可以在集群或云中并行训练。在GPU或并行上进行训练需要并行计算工具箱™。使用GPU需要CUDA®使英伟达®GPU具有3.0或更高的计算能力。属性指定执行环境trainingOptions函数。
应用程序
| 深度网络设计器 | 设计、可视化和训练深度学习网络 |
功能
块
属性
| ConfusionMatrixChart属性 | 混淆矩阵图表外观和行为 |
例子和如何
使用预训练网络
这个例子展示了如何使用预先训练好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好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。
交互式地微调预训练的深度学习网络，以学习新的图像分类任务。
这个例子展示了如何使用迁移学习来重新训练卷积神经网络来分类一组新的图像。
这个例子展示了如何从预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。
这个例子展示了如何微调一个预先训练好的GoogLeNet卷积神经网络来对一组新的图像进行分类。
学习如何下载和使用预训练的卷积神经网络进行分类，迁移学习和特征提取。
创建新的深度网络
这个例子展示了如何创建和训练一个简单的卷积神经网络进行深度学习分类。
交互式地构建和编辑深度学习网络。
这个例子展示了如何使用卷积神经网络拟合回归模型来预测手写数字的旋转角度。
在MATLAB中发现所有深度学习层®．
了解卷积神经网络(ConvNet)的层，以及它们在ConvNet中出现的顺序。
生成MATLAB代码，在深度网络设计器中重新创建设计和训练网络。
这个例子展示了如何创建一个带有剩余连接的深度学习神经网络，并在CIFAR-10数据上进行训练。
这个例子展示了如何创建和训练一个简单的神经网络，用于深度学习特征数据分类。
学习如何定义和训练具有多个输入或多个输出的深度学习网络。
这个例子展示了如何训练生成对抗网络(GAN)来生成图像。
这个例子展示了如何训练一个条件生成对抗网络(CGAN)来生成图像。
这个例子展示了如何训练一个网络来将一个图像的风格转移到另一个图像。
这个例子展示了如何使用注意力训练一个深度学习模型来进行图像配图。
这个例子展示了如何训练一个使用自定义学习率计划分类手写数字的网络。
这个例子展示了如何训练一个具有多个输出的深度学习网络，这些输出预测手写数字的标签和旋转角度。
这个例子展示了如何训练暹罗网络来识别手写字符的相似图像。
这个例子展示了如何导入一个自定义加权分类层，并将其添加到深度网络设计器中的预训练网络中。
这个例子展示了如何使用深度网络设计器来构造和训练一个超分辨率的图像到图像回归网络。
概念
在MATLAB中使用卷积神经网络进行分类和回归，包括预训练网络和迁移学习，以及在gpu、cpu、集群和云上进行训练，从而发现深度学习功能。
学习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并标记数据。
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好的分类网络转换成一个回归网络。
学习如何提高深度学习网络的准确性。
发现各种深度学习任务的数据集。
在深度网络设计器中导入和可视化数据。
特色的例子
您也可以从以下列表中选择一个网站:
