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，必须使用培训选项函数。然后你可以使用trainNetwork．使用培训的网络预测类标签或数字响应。
你可以在CPU、GPU、多个CPU或GPU上训练卷积神经网络，也可以在集群或云上并行训练。在GPU或并行上的训练需要并行计算工具箱™。使用图形处理器需要支持的图形处理器设备(有关支金宝app持的设备信息，请参见GPU支金宝app持方式发布（并行计算工具箱））。使用该执行执行环境培训选项函数。
应用
| 深层网络设计师 | 设计、可视化和训练深度学习网络 |
功能
块
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训练的深卷积神经网络GoogLeNet的图像进行分类。
此示例显示如何使用预先训练的深卷积神经网络Googlenet实时对网络摄像头进行分类图像。
以互动的微调佩带的深度学习网络来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对一组新的图像进行分类。
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。
这个例子说明了如何微调预训练GoogLeNet卷积神经网络对图像的新的集合进行分类。
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。
创建新的深网络
这个例子显示了如何创建和训练的深度学习分类的简单卷积神经网络。
交互式建立和编辑深层学习网络。
该示例显示如何使用卷积神经网络来满足回归模型，以预测手写数字的旋转角度。
发现MATLAB中所有的深度学习层®．
了解卷积神经网络（ConvNet）的层，它们出现在ConvNet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。
此示例显示了如何创建具有剩余连接的深度学习神经网络，并在CIFAR-10数据上培训。
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。
这个例子说明了如何培养生成对抗网络生成图像。
这个例子显示了如何培养条件生成对抗网络生成图像。
此示例显示如何训练网络将图像的样式传输到第二个图像。
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。
此示例显示如何培训暹罗网络以识别手写字符的类似图像。
这个例子显示了如何平方误差（SSE）损失的总和导入自定义分类输出层，并把它添加到深网络设计者预训练网络。
这个例子展示了如何使用Deep Network Designer来构建和训练一个图像到图像的超分辨率回归网络。
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培训参数。
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。
读取和预处理体积图像和3-D深度学习的标签数据。
了解如何在深度学习应用程序中使用数据存储。
此示例显示如何将训练的分类网络转换为回归网络。
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。
在深网络设计者导入和数据可视化。
特色的例子
您还可以从以下列表中选择一个网站：
