从TensorFlow™-Keras、Caffe和ONNX™(Open Neural network Exchange)模型格式导入网络和网络架构。您还可以将经过培训的深度学习工具箱™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丢失函数,并定义带有或不带有可学习参数的自定义层。例如,对于类分布不平衡的分类问题,可以使用带有加权交叉熵损失的自定义加权分类层。定义自定义层后,可以检查该层是否有效,GPU是否兼容,以及输出是否定义了正确的梯度。
如果trainingOptions
函数不提供任务所需的训练选项,或者自定义输出层不支持所需的丢失函数,然后可以定义自定义训练循环。万博1manbetx对于不能使用层图创建的网络,可以将自定义网络定义为函数。想了解更多,请看定义定制培训循环,损失函数,与网络。
了解如何定义自定义深层学习层。
了解如何查看自定义深层学习层的有效性。
这个例子展示了如何定义一个PReLU层并在卷积神经网络中使用它。
该示例示出了如何定义自定义加权相加层并且在卷积神经网络使用它。
这个例子展示了如何定义一个带有平方和误差损失(SSE)的自定义分类输出层,并在卷积神经网络中使用它。
此示例示出了如何定义和创建与加权交叉熵损失的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损失的自定义回归输出层,并在卷积神经网络中使用它。
此示例示出了如何定义PReLU层和指定自定义后退功能。
该示例示出了如何定义的加权分类层和指定定制向后损失函数。
此示例示出了如何训练生成对抗网络(GAN),以生成图像。
这个例子展示了如何训练条件生成对抗网络(CGAN)生成图像。
这个例子展示了如何训练一个暹罗网络使用降维来比较手写数字。
这个例子展示了如何训练暹罗网络识别手写字符的相似图像。
学习如何定义和定制使用自动分化的深度学习训练循环、损失函数和网络。
学习如何在自定义训练循环中指定常用的训练选项。
这个例子显示了如何培养一个网络,以进行分类定制学习费率表手写的数字。
这个例子说明了如何更新定制培训环路的网络状态。
这个例子展示了如何使用a进行预测dlnetwork
将数据拆分为多个小批。
这个例子展示了如何使用函数来创建和训练一个深度学习网络,而不是使用层图或adlnetwork
。
这个例子展示了如何定义为一个功能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将数据分割成小批进行预测。
这个例子说明了如何培养具有不同的权重初始化深刻的学习网络。
这个例子展示了如何为卷积层和有漏洞的ReLU层创建一个自定义的权重初始化函数。
这个例子展示了如何从一个预先训练好的Keras网络中导入这些层,用定制层替换不支持的层,并将这些层组装到一个网络中以备预测。万博1manbetx
了解如何定义并与多个输入或多个输出培训深度学习网络。
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来预测手写数字的标签和旋转角度。
不使用模型函数进行预测,您可以将网络组装成aDAGNetwork
可以使用functionToLayerGraph
和assembleNetwork
功能。
学习自动分化是如何工作的。
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。