深層学習のカスタム学習ル，プ

深層学習の学習ルプおよび損失関数のカスタマズ

タスクに必要な学習オプションが関数trainingOptionsに用意されていない場合,または必要な損失関数をカスタム出力層がサポートしていない場合,カスタム学習ループを定義できます。層グラフを使用して作成できないネットワ，クの場合，カスタムネットワ，クを関数として定義できます。詳細にいては，カスタム学習ル，プ，損失関数，およびネットワ，クの定義を参照してください。

関数

すべて展開する

カスタムネットワ，ク

`dlnetwork`	カスタム学習ル，プ向けの深層学習ネットワ，ク
`resetState`	ニュ，ラルネットワ，クの状態パラメ，タ，のリセット
`情节`	ニュ，ラルネットワ，クア，キテクチャのプロット
`addInputLayer`	为网络添加输入层
`addLayers`	在图层图或网络中添加图层
`removeLayers`	層グラフまたはネットワ，クからの層の削除
`connectLayers`	層グラフまたはネットワ，クの層の結合
`disconnectLayers`	層グラフまたはネットワ，クの層の切り離し
`replaceLayer`	層グラフまたはネットワ，クの層の置き換え
`总结`	打印网络摘要
`初始化`	`dlnetwork`の学習可能なパラメ，タ，と状態パラメ，タ，の初期化
`networkDataLayout`	深度学习网络数据布局可学习参数初始化

カスタム学習ル，プ

`向前`	学習用の深層学習ネットワ，ク出力の計算
`预测`	推論用の深層学習ネットワ，ク出力の計算
`adamupdate`	適応モ，メント推定(亚当)を使用してパラメ，タ，を更新する
`rmspropupdate`	使用均方根传播(RMSProp)更新参数
`sgdmupdate`	モメンタム項付き確率的勾配降下法(sgdm)を使用してパラメタを更新する
`dlupdate`	使用自定义函数更新参数
`minibatchqueue`	深層学習用のミニバッチの作成
`onehotencode`	一热ベクトルへのデタラベルの符号化
`onehotdecode`	クラスラベルへの確率ベクトルの復号化
`padsequences`	填充或截断序列数据到相同的长度
`trainingProgressMonitor`	监控并绘制深度学习自定义训练循环的训练进度

自動微分

`dlarray`	カスタム学習ル，プ用の深層学習配列
`dlgradient`	自動微分を使用したカスタム学習ル，プの勾配の計算
`dlfeval`	カスタム学習ル，プ用の深層学習モデルの評価
`会变暗`	`dlarray`の次元ラベル
`finddim`	指定されたラベルをも次元の検索
`stripdims`	`dlarray`デ，タ形式の削除
`extractdata`	`dlarray`からのデ，タの抽出
`isdlarray`	检查对象是否为`dlarray`
`functionToLayerGraph`	将深度学习模型函数转换为层图

深層学習の操作

`dlconv`	深度学习卷积
`dltranspconv`	深度学习转置卷积
`lstm`	長短期記憶
`格勒乌`	ゲ，ト付き回帰型ユニット
`注意`	点积的关注
`嵌入`	嵌入离散数据
`fullyconnect`	すべての重み付き入力デタの加算とバアスの適用
`dlode45`	非刚性常微分方程(ODE)的深度学习解
`线性整流函数（Rectified Linear Unit）`	正規化線形ユニット活性化の適用
`leakyrelu`	漏洩(泄漏)正規化線形ユニット活性化の適用
`gelu`	应用高斯误差线性单元(GELU)激活
`batchnorm`	对每个通道的所有观测数据进行独立的归一化
`crosschannelnorm`	使用本地响应进行跨信道方规范化
`groupnorm`	为每个观察单独地在分组的信道子集上标准化数据
`instancenorm`	对每个观察单独在每个通道上进行归一化
`layernorm`	为每个观察独立地规范化所有通道的数据
`avgpool`	将数据池化为空间维度上的平均值
`maxpool`	将数据池到最大值
`maxunpool`	最大プ，リング演算の出力の逆プ，リング
`softmax`	チャネル次元へのソフトマックス活性化の適用
`乙状结肠`	シグモ@ @ド活性化の適用

深層学習の損失演算

`乙状结肠`	シグモ@ @ド活性化の適用
`crossentropy`	分類タスク用の交差エントロピ，損失
`l1loss`	l₁回归任务损失
`l2loss`	l₂回归任务损失
`休伯`	回归任务的Huber损失
`均方误差`	半平均二乗誤差
`ctc`	无序序列分类中的连接主义时间分类(CTC)损失

深層学習関数の高速化

`dlaccelerate`	为定制训练循环加速深度学习功能
`AcceleratedFunction`	加速深度学习功能
`clearCache`	清晰的加速深度学习函数跟踪缓存

トピック

カスタム学習ル，プ

Matlabによる深層学習モデルの学習
MATLAB^®で深層学習モデルを学習させる方法を学習する。
カスタム学習ル，プ，損失関数，およびネットワ，クの定義
自動微分を使用して深層学習の学習ル，プ，損失関数，およびネットワ，クを定義する方法を学びます。
カスタム学習ル，プを使用したネットワ，クの学習
この例では,カスタム学習率スケジュールで手書きの数字を分類するネットワークに学習させる方法を示します。
カスタム学習ル，プでの学習オプションの指定
カスタム学習ル，プで一般的な学習オプションを指定する方法を学びます。
カスタム学習ル，プのモデル損失関数の定義
カスタム学習ル，プのモデル損失関数を定義する方法を学ぶ。
カスタム学習ル，プでのバッチ正規化統計量の更新
この例では，カスタム学習ル，プでネットワ，クの状態を更新する方法を示します。
Dlnetworkオブジェクトを使用した予測の実行
この例では，デ，タをミニバッチに分割することにより，dlnetworkオブジェクトを使用して予測を行う方法を示します。
监控定制培训循环进度
跟踪并绘制自定义训练循环进度。
複数の出力をもネットワクの学習
この例では,手書きの数字のラベルと回転角度の両方を予測する,複数の出力をもつ深層学習ネットワークに学習させる方法を説明します。
使用自定义训练循环的深度学习分类视频
这个例子展示了如何通过结合预先训练的图像分类模型和序列分类网络来创建视频分类网络。
训练图像分类网络对对抗实例鲁棒性
这个例子展示了如何使用快速梯度符号方法(FGSM)对抗训练训练一个对对抗例子鲁棒的神经网络。
ニュラルodeネットワクの学習
この例では，拡張ニュ，ラル常微分方程式(ode)ネットワ，クに学習させる方法を示します。
用雅可比正则化训练鲁棒深度学习网络
这个例子展示了如何使用雅可比正则化方案[1]训练一个对对抗例子鲁棒的神经网络。
ニュ，ラルネットワ，クを使用した常微分方程式の求解
この例では，ニュ，ラルネットワ，クを使用して常微分方程式(ode)を解く方法を示します。
予測用の多出力ネットワ，クの組み立て
この例では，予測用の複数の出力ネットワ，クを組み立てる方法を説明します。
在GPU上并行运行自定义训练循环
通过在GPU上运行、并行使用多个GPU或在集群上运行来加速自定义训练循环。

モデル関数

モデル関数を使用したネットワ，クの学習
この例では，層グラフまたはdlnetworkではなく関数を使用して深層学習ネットワ，クを作成し，学習させる方法を説明します。
モデル関数を使用したバッチ正規化統計量の更新
この例では，関数として定義されたネットワ，クにおいて，ネットワ，クの状態を更新する方法を示します。
モデル関数を使用した予測の実行
この例では，デ，タをミニバッチに分割することにより，モデル関数を使用して予測を行う方法を示します。
モデル関数の学習可能パラメ，タ，の初期化
モデル関数を使用して，カスタム学習ル，プの学習可能なパラメ，タ，を初期化する方法を学ぶ。
用不规则采样时间序列数据训练潜在ODE网络
这个例子展示了如何用不规则时间间隔采样的时间序列数据训练潜在常微分方程(ODE)自编码器。
基于图神经网络的多变量时间序列异常检测
这个例子展示了如何使用图神经网络(GNN)检测多元时间序列数据中的异常。

自動微分

Dlarrayをサポ，トする関数の一覧
dlarrayオブジェクトをサポ，トする関数の一覧を表示します。
自動微分の背景
自動微分の機能を学びます。
深度学习工具箱での自動微分の使用
深層学習での自動微分の使用方法を示します。

深層学習関数の高速化

自定义训练循环的深度学习函数加速
通过缓存和重用跟踪，加速自定义训练循环的模型函数和模型损失函数。
加速自定义训练循环函数
这个例子展示了如何加速深度学习自定义训练循环和预测函数。
高速化された深層学習関数の出力のチェック
この例では,高速化された関数の出力が基になる関数の出力と一致するかどうかをチェックする方法を説明します。
评估加速深度学习函数的性能
这个例子展示了如何评估使用加速函数的性能增益。

注目の例

敵対的生成ネットワ，ク(gan)の学習

この例では、敵対的生成ネットワ、クに学習させて、メ、ジを生成する方法を説明します。

ラ@ @ブスクリプトを開く

条件付き敵対的生成ネットワ，ク(cgan)の学習

この例では、条件付き敵対的生成ネットワ、クに学習させて、メ、ジを生成する方法を説明します。

ラ@ @ブスクリプトを開く

Wasserstein GAN with Gradient Penalty (WGAN-GP)の学習

この例では,瓦瑟斯坦生成对抗网络梯度点球(WGAN-GP)に学習させてイメージを生成する方法を説明します。

ラ@ @ブスクリプトを開く

高速スタ▪▪ル転送ネットワ▪▪クの学習

この例では,あるイメージのスタイルを転送して第2のイメージにするネットワークの学習方法を示します。これは，[1]で定義されるア，キテクチャに基づいています。

ラ@ @ブスクリプトを開く

カスタム学習ル，プを使用したネットワ，クの学習

この例では,カスタム学習率スケジュールで手書きの数字を分類するネットワークに学習させる方法を示します。

ラ@ @ブスクリプトを開く

モデル関数を使用したネットワ，クの学習

この例では，層グラフまたはdlnetworkではなく関数を使用して深層学習ネットワ，クを作成し，学習させる方法を説明します。関数の使用には、幅広いネットワークを記述する柔軟性が得られるという利点があります。欠点は、より多くのステップを実行し、データを慎重に準備しなければならないことです。この例では、手書き数字のイメージと、数字を分類して垂直位置からの各数字の角度を判定する双対目的関数を使用します。

ラ@ @ブスクリプトを開く

次元削減のためのシャムネットワ，クの学習

この例では，次元削減を使用して手書きの数字を比較するシャムネットワ，クの学習方法を説明します。

ラ@ @ブスクリプトを開く

シャムネットワクの学習とメジの比較

この例では,シャムネットワークに学習させて類似した手書き文字のイメージを特定する方法を説明します。

ラ@ @ブスクリプトを開く

アテンションを使用した▪▪メ▪▪ジキャプションの生成

この例では,アテンションを使用したイメージキャプション生成のために深層学習モデルを学習させる方法を説明します。

ラ@ @ブスクリプトを開く

深層学習を使用した複数ラベルをもテキストの分類

この例では，複数の独立したラベルをもテキストデタを分類する方法を説明します。

ラ@ @ブスクリプトを開く

アテンションを使用した序列对序列変換

この例では,アテンションを使用した再帰型sequence-to-sequence符号化器——復号化器モデルを用いて数字の文字列をローマ数字に変換する方法を説明します。

ラ@ @ブスクリプトを開く

カスタム学習ル，プを使用したネットワ，クの並列学習

この例では，ネットワ，クに並列学習させるためのカスタム学習ル，プを設定する方法を説明します。この例では，並列ワ，カ，によりミニバッチの一部で学習が実行されます。Gpuがある場合，Gpu上で学習が行われます。学習中、DataQueueオブジェクトによって，学習の進行状況の情報がmatlabクラescアントに送り返されます。

ラ@ @ブスクリプトを開く

変分自己符号化器(vae)の学習によるメジ生成

この例では，深層学習変分自己符号化器(vae)に学習させ，メジを生成する方法を説明します。

ラ@ @ブスクリプトを開く

スナップショットアンサンブルのための周期的な学習率を使用したネットワ，クの学習

この例では,テスト精度の向上のために周期的な学習率スケジュールとスナップショットのアンサンブルを使用して,オブジェクトのイメージを分類するようにネットワークに学習させる方法を示します。この例では,学習率スケジュールに余弦関数を使用し,学習中にネットワークのスナップショットを取得してモデルアンサンブルを作成し,L2ノルム正則化(重み減衰)を学習損失に追加する方法を学習します。

ラ@ @ブスクリプトを開く