この例では,敵対的生成ネットワーク(GAN)に学習させてイメージを生成する方法を説明します。

この例では,条件付き敵対的生成ネットワーク(CGAN)に学習させてイメージを生成する方法を説明します。

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]で定義されるアーキテクチャに基づいています。

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。

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ークを作成し、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。

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 ネットワークの学習方法を説明します。

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。

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。

この例では、複数の独立したラベルをもつテキスト データを分類する方法を説明します。

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。

この例では,一般的な時間的畳み込みネットワーク(TCN)を使用してシーケンスデータの各タイムステップを分類する方法を説明します。

この例では、ネットワークに並列学習させるためのカスタム学習ループを設定する方法を説明します。この例では、並列ワーカー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クライアントに送り返されます。

この例では,MATLABで変分自己符号化器(VAE)を作成して数字のイメージを生成する方法を説明します。VAEは,手書きの数字をMNISTデータセットのスタイルで生成します。

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。