基本设计

分类模式与浅神经网络

利用神经网络进行分类。

浅部署神经网络功能

模拟和部署训练有素的浅神经网络使用MATLAB^®工具。

浅神经网络的部署培训

了解如何部署浅神经网络的训练。

培训扩展性和效率

与并行和GPU计算神经网络

使用并行和分布式计算，加快神经网络训练和模拟和处理大量数据。

自动保存检查点的时候神经网络训练

保存中间结果，以保护长期训练运行的价值。

最优解金宝搏官方网站

选择神经网络的输入输出处理功能

预处理的投入和目标进行更有效的培训。

配置浅神经网络的输入和输出

了解如何手动配置网络使用训练前配置功能。

数据划分为优化的神经网络训练

使用功能将数据分为培训，验证和测试集。

选择多层神经网络训练功能

对不同类型的问题，训练算法比较。

浅提高神经网络的推广，并避免过度拟合

学习方法，提高推广和防止过度拟合。

训练神经网络的权重错误

了解如何训练神经网络时使用错误的权重。

多路输出的正常化错误

了解如何以适应不同范围的值输出的元素。

分类

蟹分类

本实施例说明使用神经网络作为分类器来识别从螃蟹的物理尺寸蟹的性别。

葡萄酒的分级

这个例子说明如何模式识别神经网络可以根据其化学特性分类由酒庄的葡萄酒。

癌症检测

这个例子展示了如何训练神经网络使用于蛋白质谱质谱数据，以检测癌症。

字符识别

这个例子说明如何训练神经网络来进行简单的文字识别。

自动编码

火车堆积自动编码的图像分类

这个例子展示了如何堆叠自动编码训练到的数字图像分类。