从TensorFlow™-Keras、Caffe和ONNX™(Open Neural network Exchange)模型格式导入网络和网络架构。您还可以将训练有素的深度学习工具箱™网络导出为ONNX模型格式。
您可以为您的问题定义自己的自定义深度学习层。您可以使用自定义输出层指定自定义损失函数,并定义带有或不带有可学习参数的自定义层。例如,您可以使用带有加权交叉熵损失的自定义加权分类层来处理类分布不平衡的分类问题。定义自定义层后,您可以检查该层是否有效,GPU兼容,输出正确定义的梯度。
如果是培训选项
功能不提供您需要的培训选项,或者自定义输出图层不支持您需要的丢失功能,然后可以定义自定义训练循环。万博1manbetx对于无法使用图层图创建的网络,您可以将自定义网络定义为函数。要了解更多信息,请参阅定义自定义培训循环,丢失功能和网络。
了解如何定义自定义深度学习图层。
了解如何检查自定义深度学习层的有效性。
此示例显示如何定义ProLu层并在卷积神经网络中使用它。
此示例显示如何定义自定义加权附加层并在卷积神经网络中使用它。
此示例显示了如何定义自定义分类输出层,其总和误差(SSE)丢失和在卷积神经网络中使用它。
此示例显示如何使用加权交叉熵丢失来定义和创建自定义加权分类输出层。
这个例子展示了如何定义一个具有平均绝对误差(MAE)损失的自定义回归输出层,并将其用于卷积神经网络。
此示例显示如何定义PRELU层并指定自定义后向功能。
此示例显示如何定义加权分类层并指定自定义后向损耗函数。
此示例显示如何训练生成的对抗性网络(GAN)生成图像。
此示例显示如何培训有条件的生成对冲网络(CGAN)以生成图像。
此示例显示如何培训暹罗网络以使用维度减少比较手写数字。
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。
了解如何使用自动差异定义和自定义深度学习培训循环,丢失功能和网络。
了解如何在自定义培训循环中指定常用培训选项。
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。
此示例显示如何在自定义训练循环中更新网络状态。
这个例子展示了如何使用dlnetwork.
通过将数据拆分为迷你批量来实现对象。
此示例显示如何通过使用函数而不是图层图或者创建和培训深度学习网络dlnetwork.
。
此示例显示如何在定义为函数的网络中更新网络状态。
这个例子展示了如何使用模型函数进行预测,方法是将数据分割成小批。
此示例显示如何使用不同的权重初始化器培训深度学习网络。
这个例子展示了如何为卷积层创建自定义权重初始化函数,然后是有漏洞的ReLU层。
这个例子展示了如何从预先训练的Keras网络导入层,用自定义层替换不支持的层,并将层组装到一个网络中准备进行预测。万博1manbetx
了解如何定义和培训具有多个输入或多个输出的深度学习网络。
这个例子展示了如何用多个输出来训练一个深度学习网络,预测手写数字的标签和旋转角度。
代替使用模型函数进行预测,你可以将网络组装成一个Dagnetwork.
准备使用预测functiontolayergraph.
和汇编
职能。
了解自动分化的工作原理。
如何在深度学习中使用自动分化。
查看支持的函数列表万博1manbetxdlarray
对象。
这个例子展示了如何使用梯度加权类激活映射(grade - cam)技术来理解为什么深度学习网络会做出分类决策。