深度学习的图片
为图像分类和回归任务创建新的深度网络通过定义从头网络结构和训练网络。您还可以使用转移学习利用pretrained网络提供的知识学习新模式新数据。微调pretrained图像分类和转移网络学习通常是快得多,也更容易比从头开始训练。使用pretrained深网络使您能够快速学习新任务没有定义和训练一个新的网络,拥有数以百万计的图片,和拥有一个强大的GPU。
定义网络体系结构之后,您必须定义训练参数使用trainingOptions函数。你可以训练网络使用trainNetwork。使用训练网络预测类标签或数字的反应。
你可以训练一个卷积神经网络在CPU、GPU,多个CPU或GPU,或并行集群上或在云中。培训在GPU并行或需要并行计算工具箱™。使用GPU需要支持GPU设备(支持设备上的信息万博1manbetx,请参阅GPU的万博1manbetx支持版本(并行计算工具箱))。指定执行环境使用trainingOptions函数。
应用程序
| 深层网络设计师 | 设计、可视化和火车深度学习网络 |
功能
块
属性
| ConfusionMatrixChart属性 | 混淆矩阵图表外观和行为 |
例子和如何
使用Pretrained网络
这个例子展示了如何使用的分类图像卷积神经网络GoogLeNet pretrained深。
这个例子展示了如何从一个摄像头图像分类实时使用卷积神经网络GoogLeNet pretrained深。
交互地调整pretrained深学习网络来学习一种新的图像分类任务。
这个例子展示了如何使用转移学习再教育卷积神经网络对一组新的图像进行分类。
这个例子展示了如何提取图像特征认识从pretrained卷积神经网络训练图像分类器,并使用这些特性。
这个例子显示了如何调整pretrained GoogLeNet卷积神经网络进行分类的新图片的集合。
学习如何下载和使用pretrained卷积神经网络分类,转移学习和特征提取。
创建新的深度网络
这个例子展示了如何创建和训练一个简单的卷积神经网络进行深度学习分类。
交互式地建立和编辑在深深度学习网络网络设计师。
这个例子展示了如何使用卷积神经网络适合回归模型预测手写数字的旋转角度。
发现所有的深度学习MATLAB的层®。
了解卷积神经网络的层(事先),他们出现在一个事先和秩序。
生成MATLAB代码重新设计和培训网络深陷网络设计师。
这个例子展示了如何创建一个与残余深度学习神经网络对CIFAR-10数据连接和训练它。
这个例子显示了如何创建和训练一个简单的神经网络,深度学习特性数据分类。
学习如何定义和火车深度学习和多输入和多输出网络。
这个例子展示了如何训练生成对抗网络生成图像。
这个例子展示了如何训练条件生成对抗网络生成图像。
这个例子展示了如何训练一个网络的风格一个图像转移到另一个图像。
这个例子展示了如何训练图像的深度学习模型使用注意字幕。
这个例子展示了如何训练网络,把手写的数字和一个定制的学习速率的时间表。
这个例子展示了如何培养深入学习网络和多个输出预测这两个标签和角度旋转的手写数字。
这个例子展示了如何训练暹罗网络手写字符识别类似的图像。
这个例子展示了如何导入自定义分类输出层的误差平方和损失(SSE)并将它添加到一个pretrained网络深陷网络设计师。
这个例子展示了如何使用深层网络设计师构建和训练一个image-to-image回归网络超分辨率。
概念
发现深度学习能力在MATLAB使用卷积神经网络分类和回归,包括pretrained网络和学习,转移和培训在gpu, cpu,集群和云。
了解如何设置为卷积神经网络训练参数。
学习如何调整图片培训、预测和分类,以及如何使用数据预处理图像,转换和专门的数据存储。
阅读和预处理容积图像和标签数据三维深度学习。
学习如何使用深度学习应用程序中数据存储。
这个例子展示了如何训练分类网络转换成一个回归网络。
学习如何提高深度学习网络的准确性。
发现数据集各种深度学习任务。
导入和可视化数据深陷网络设计师。
