模式识别
从示例输入训练神经网络泛化及其类,autoencoders训练
应用程序
神经网络模式识别 | 使用两层前馈网络的解决模式识别问题 |
类
Autoencoder |
Autoencoder类 |
功能
例子和如何
基本设计
- 用浅神经网络分类模式
使用神经网络分类。 - 部署浅神经网络功能
使用MATLAB模拟训练和部署浅神经网络®工具。 - 部署浅神经网络的训练
学习如何部署浅神经网络的训练。
培训可伸缩性和效率
- 浅神经网络并行计算和GPU计算
使用并行和分布式计算加速神经网络训练和模拟和处理大数据。 - 自动保存检查点在神经网络训练
将中间结果保存到保护长距离训练的价值。
最优解万博 尤文图斯
- 选择神经网络的输入-输出处理功能
预处理输入和目标更有效的培训。 - 配置浅神经网络输入和输出
学习如何手动配置网络训练之前使用配置
函数。 - 把最优的神经网络训练数据
使用函数来将数据划分为训练,验证集和测试集。 - 选择一个多层神经网络训练功能
比较的训练算法在不同的问题类型。 - 改善浅神经网络泛化,避免过度拟合
学习方法来提高泛化,防止过度拟合。 - 神经网络训练误差的权重
学习如何使用错误加权训练神经网络。 - 规范化的多个输出错误
学习如何适应输出元素不同范围的值。
分类
Autoencoders
- 火车堆叠Autoencoders图像分类
这个例子展示了如何训练堆叠autoencoders对数字图像进行分类。
概念
- 神经网络设计的工作流
学习神经网络设计过程的主要步骤。
- 神经网络设计的四个级别
学习使用神经网络的不同层次的功能。
- 多层浅神经网络和反向传播训练
工作流设计多层浅前馈神经网络函数拟合和模式识别。
- 多层浅神经网络架构
学习多层浅神经网络的体系结构。
- 理解浅网络数据结构
学习的格式输入数据结构如何影响网络的仿真。
- 浅神经网络的样本数据集
试验时使用的样本数据集列表浅神经网络。
- 神经网络对象属性
学习属性定义一个网络的基本特性。
- 神经网络子对象属性
学习属性定义网络细节如输入,层,输出,目标,偏见,和权重。