图像数据工作流程
使用预训练网络或从头开始创建和训练网络进行图像分类和回归
使用迁移学习利用预训练网络提供的知识在新的图像数据中学习新的模式。使用迁移学习对预训练图像分类网络进行微调通常比从头开始训练要快得多,也容易得多。使用预训练的深度网络使您能够快速创建新任务的模型,而无需定义和训练新网络,拥有数百万张图像或拥有强大的GPU。您还可以通过定义网络架构并从头开始训练网络,为图像分类和回归任务创建新的深度网络。
你可以使用trainNetwork
和trainingOptions
函数,也可以使用dlnetwork
对象或dlarray
对象的功能。
你可以在一个CPU、一个GPU、多个CPU或GPU上训练神经网络,也可以在集群或云上并行训练。在GPU或并行上进行训练需要parallel Computing Toolbox™。使用GPU需要支持的GPU设备(支持的设备请参万博1manbetx见GPU计算要求(并行计算工具箱)).属性指定执行环境trainingOptions
函数。
您可以使用内置的网络准确性和损失图来监控训练进度,您可以使用可视化技术(如Grad-CAM,闭塞敏感性,LIME和deep dream)来调查训练过的网络。
当你有一个训练好的网络时,你可以验证它的健壮性,计算网络输出边界,并找到对抗性的例子。您也可以在Simulink中使用经过训练的网络万博1manbetx®使用深度神经网络块库中的块来建立模型。
类别
- 数据预处理
管理和预处理图像数据的深度学习 - Pretrained网络
使用预训练的图像网络来快速学习新任务 - 建立和训练网络
为图像数据创建深度神经网络并从头开始训练 - 可视化和验证
可视化神经网络行为,解释预测,并验证鲁棒性使用图像数据