图像深度学习
通过定义网络架构并从头开始训练网络，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。使用迁移学习对预先训练的图像分类网络进行微调通常比从零开始训练快得多，也容易得多。使用预先训练的深度网络可以让您快速学习新任务，而无需定义和训练一个新的网络，无需拥有数百万张图像或强大的GPU。
定义网络体系结构之后，必须使用trainingOptions函数。然后，您可以使用trainNetwork．使用训练过的网络来预测类标签或数字响应。
你可以在一个CPU、一个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卷积神经网络。GPU或并行训练需要并行计算工具箱™。使用GPU需要支持的GPU设备(有关支持的设备金宝app的信息，请参见GPU支金宝app持按版本划分(并行计算工具箱))．方法指定执行环境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 | 混淆矩阵图的外观和行为 |
例子和如何
使用预先训练的网络
这个例子展示了如何使用预先训练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的深度卷积神经网络GoogLeNet实时对网络摄像头中的图像进行分类。
交互式微调预先训练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，并使用这些特征训练图像分类器。
这个例子展示了如何微调预先训练的GoogLeNet卷积神经网络，以对新的图像集合进行分类。
学习如何下载和使用预先训练的卷积神经网络进行分类，转移学习和特征提取。
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。
在深度网络设计器中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体数字的旋转角度。
在MATLAB中发现所有的深度学习层®．
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设计和训练一个网络。
这个例子展示了如何创建一个带有残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输入或多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来生成图像。
这个例子展示了如何训练网络将一张图像的样式传输到另一张图像。
这个例子展示了如何训练一个深度学习模型的图像字幕使用注意力。
这个例子展示了如何训练一个使用自定义学习速率计划对手写数字进行分类的网络。
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，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Siamese网络来识别手写字符的相似图像。
这个例子展示了如何在深度网络设计器中导入带有平方和误差(SSE)损失的自定义分类输出层，并将其添加到预先训练的网络中。
本例展示了如何使用深度网络设计器构建和训练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，包括预先训练的网络和转移学习，以及在gpu、cpu、集群和云上的训练，发现深度学习能力。
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，以及如何使用数据扩充、转换和专门的数据存储对图像进行预处理。
读取和预处理体积图像和标签数据的三维深度学习。
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经过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。
发现用于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网站:
