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

利用MATLAB仿真和部署训练好的浅层神经网络^®工具。

浅层神经网络的部署训练

了解如何部署浅层神经网络的训练。

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。

最优解金宝搏官方网站

选择神经网络输入 - 输出处理功能

对输入和目标进行预处理，以提高培训效率。

配置浅层神经网络输入和输出

了解如何在培训前使用手动配置网络配置作用

为优化神经网络训练划分数据

使用函数将数据划分为训练集、验证集和测试集。

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能力，避免过拟合

学习改进泛化和预装配的方法。

带误差权值的神经网络训练

学习如何在训练神经网络时使用误差加权。

规范化多个输出的错误

了解如何使输出元素适应不同的值范围。

分类

蟹类分类

本例说明了使用神经网络作为分类器，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

这个例子展示了如何训练神经网络，利用蛋白质图谱上的质谱数据来检测癌症。

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。

自编码器

用于图像分类的序列堆叠式自动编码器

此示例显示如何训练堆叠自动编码器对数字图像进行分类。