基本设计

用浅层神经网络分类模式

使用神经网络进行分类。

部署浅层神经网络函数

利用MATLAB仿真和部署训练好的浅层神经网络^®工具。

浅层神经网络的部署训练

了解如何部署浅层神经网络的训练。

培训可扩展性和效率

并行计算和GPU计算的神经网络

使用并行和分布式计算来加快神经网络的训练和模拟，并处理大数据。

神经网络训练过程中自动保存检查点

保存中间结果以保护长时间训练的价值。

最优解万博 尤文图斯

选择神经网络输入输出处理函数

对输入和目标进行预处理，以提高培训效率。

配置浅神经网络输入输出

了解如何在培训前使用手动配置网络配置功能。

为优化神经网络训练划分数据

使用函数将数据划分为训练集、验证集和测试集。

选择多层神经网络训练函数

不同问题类型的训练算法比较。

提高浅层神经网络泛化能力，避免过拟合

学习改进泛化和防止过拟合的方法。

带误差权值的神经网络训练

学习如何在训练神经网络时使用误差加权。

规范化多个输出的错误

了解如何使输出元素适应不同的值范围。

分类

蟹类分类

本例说明了使用神经网络作为分类器，从螃蟹的物理尺寸识别螃蟹的性别。

葡萄酒分类

这个例子说明了模式识别神经网络如何根据葡萄酒的化学特征对葡萄酒进行分类。

癌症检测

这个例子展示了如何训练神经网络，利用蛋白质图谱上的质谱数据来检测癌症。

字符识别

这个例子说明了如何训练神经网络来执行简单的字符识别。

自编码器

用于图像分类的序列堆叠式自动编码器

此示例显示如何训练堆叠自动编码器对数字图像进行分类。