深入学习图像
通过定义网络架构并从头开始训练网络，创建新的深度网络用于图像分类和回归任务。您还可以使用迁移学习来利用预先训练过的网络提供的知识来学习新数据中的新模式。使用迁移学习对预先训练的图像分类网络进行微调，通常比从头开始训练更快更容易。使用预先训练的深度网络，可以让您快速学习新任务，而无需定义和训练新的网络，无需拥有数百万张图像，也无需拥有强大的GPU。
在定义网络架构后，必须使用使用的培训参数trainingOptions功能。然后，您可以使用培训网络Trainnetwork.。使用培训的网络预测类标签或数字响应。
您可以在CPU，GPU，多个CPU或GPU上培训卷积神经网络，或在群集中或云中并行。在GPU或并行训练需要并行计算工具箱™。使用GPU需要CUDA®使英伟达®GPU，计算能力3.0或更高。属性指定执行环境trainingOptions功能。
应用程序
| 深网络设计师 | 设计，可视化和培训深度学习网络 |
职能
块
特性
| confusionmatrixchart属性 | 困惑矩阵图表外观和行为 |
例子和如何做
使用掠夺网络
此示例显示如何使用佩带的深卷积神经网络Googlenet对图像进行分类。
此示例显示如何使用预先训练的深卷积神经网络Googlenet实时对网络摄像头进行分类图像。
交互式微调预先训练的深度学习网络，以学习新的图像分类任务。
此示例显示如何使用传输学习来重新卷曲卷积神经网络以对新的图像进行分类。
此示例显示了如何从普拉覆盖的卷积神经网络中提取学习的图像特征，并使用这些功能培训图像分类器。
此示例显示了如何微调预磨损的Googlenet卷积神经网络，以对新的图像集合进行分类。
了解如何下载和使用佩带的卷积神经网络进行分类，转移学习和特征提取。
创建新的深层网络
此示例显示如何为深度学习分类创建和培训一个简单的卷积神经网络。
交互式建立和编辑深度学习网络。
这个例子展示了如何使用卷积神经网络拟合回归模型来预测手写数字的旋转角度。
发现Matlab中的所有深度学习层®。
了解卷积神经网络（GROMNET）的层，以及它们出现在GROMNET中的顺序。
生成MATLAB代码重新设计和训练一个网络在深网络设计者。
这个例子展示了如何创建一个具有残差连接的深度学习神经网络，并在CIFAR-10数据上进行训练。
此示例显示如何为深度学习功能数据分类创建和培训一个简单的神经网络。
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。
此示例显示如何训练生成的对抗性网络（GAN）生成图像。
这个例子展示了如何训练条件生成对抗网络(CGAN)来生成图像。
这个例子展示了如何训练一个网络来将一个图像的样式传递给另一个图像。
此示例显示如何使用注意力为图像标题训练深度学习模型。
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。
此示例显示如何使用多个输出训练深度学习网络，该输出预测手写数字的标签和旋转角度。
这个例子展示了如何训练一个暹罗网络来识别手写字符的相似图像。
此示例显示如何导入自定义加权分类层并将其添加到深网络设计器中的预磨平网络中。
此示例显示如何使用深网络设计器构建和培训图像到图像回归网络以进行超级分辨率。
概念
在Matlab中发现使用卷积神经网络进行分类和回归的深度学习能力，包括佩戴网络和转移学习，以及GPU，CPU，集群和云的培训。
了解如何为卷积神经网络设置培训参数。
了解如何调整图像的培训，预测和分类的大小，以及如何使用数据增强，转换和专用数据存储进行预处理图像。
为三维深度学习读取和预处理体积图像和标记数据。
学习如何在深度学习应用程序中使用数据存储。
这个例子展示了如何将一个训练有素的分类网络转换成一个回归网络。
了解如何提高深度学习网络的准确性。
为各种深度学习任务发现数据集。
在深网络设计器中导入和可视化数据。
特色例子
你也可以从以下列表中选择一个网站:
