图像深度学习
通过定义网络架构并从头训练网络来创建用于图像分类和回归任务的新型网络。您还可以使用转移学习来利用佩带的网络提供的知识来学习新数据中的新模式。微调带传输学习的预制图像分类网络通常比从头开始的训练更快和更容易。使用预先使用的深网络使您可以快速学习新任务，而无需定义和培训新网络，具有数百万图像或具有强大的GPU。
定义网络架构后，必须使用培训选项函数。然后你就可以用它来训练网络trainNetwork．使用经过训练的网络来预测类别标签或数字反应。
您可以在CPU、GPU、多个CPU或GPU上训练卷积神经网络，也可以在集群或云中并行训练。GPU或并行训练需要并行计算工具箱™。使用图形处理器需要支持的图形处理器设备(支持的万博1manbetx设备请参见GPU通万博1manbetx过发布支持（并行计算工具箱））。使用该执行执行环境培训选项函数。
应用
| 深网络设计师 | 设计、可视化和训练深度学习网络 |
功能
块
特性
| ConfusionMatrixChart属性 | 困惑矩阵图表外观和行为 |
例子和如何
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。
以互动的微调佩带的深度学习网络来学习新的图像分类任务。
这个例子展示了如何使用迁移学习来重新训练卷积神经网络来分类一组新的图像。
这个例子展示了如何从预先训练的卷积神经网络中提取学习的图像特征，并使用这些特征来训练图像分类器。
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。
交互式构建和编辑深度学习网络。
该示例显示如何使用卷积神经网络来满足回归模型，以预测手写数字的旋转角度。
发现MATLAB中所有的深度学习层®．
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代码以在深网络设计师中重新创建设计和培训网络。
此示例显示了如何创建具有剩余连接的深度学习神经网络，并在CIFAR-10数据上培训。
这个例子展示了如何创建和训练一个简单的神经网络深度学习特征数据分类。
学习如何定义和训练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以生成图像。
此示例显示如何训练条件生成的对抗性网络来生成图像。
此示例显示如何训练网络将图像的样式传输到第二个图像。
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。
这个例子展示了如何训练一个用自定义学习率计划来分类手写数字的网络。
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。
此示例显示如何培训暹罗网络以识别手写字符的类似图像。
此示例显示如何将自定义分类输出层与平方误差（SSE）丢失之和导入，并将其添加到深网络设计器中的预磨平网络中。
这个例子展示了如何使用深度网络设计器来构造和训练一个图像到图像回归网络的超分辨率。
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。
学习如何设置卷积神经网络的训练参数。
了解如何调整图像大小以进行训练、预测和分类，以及如何使用数据扩展、转换和专用数据存储对图像进行预处理。
读取和预处理体积图像和3-D深度学习的标签数据。
了解如何在深度学习应用程序中使用数据存储。
此示例显示如何将训练的分类网络转换为回归网络。
学习如何提高深度学习网络的准确性。
发现各种深度学习任务的数据集。
在深网络设计器中导入和可视化数据。
特色的例子
您还可以从以下列表中选择一个网站：
