比较当前的情况

我们之间的关系是不同的características我们之间的关系是不一样的。Las características más importantes son la precisión, la velocidad y el tamaño de la red。我们的挽歌，为我们的生活着想características。利用la siguiente gráfica para compare la precisión de validación de ImageNet con el timemo必要时间para hacer una predicción中间la red。

Una红色buena tiene Una precisión alta y es rápida。La gráfica muestra La precisión de clasificación时间前线predicción cuando se utiza una GPU moderna (una特斯拉^®P100 de NVIDIA^®) y UN tamaño de minilote de 128。El timempo de predicción se mide en relación con la red más rápida。El área de cada marcador es比例al tamaño de la red en El disco。

La precisión de clasificación en el conjunto de validación de ImageNet es La forma más习惯性de medir La precisión de redes entrenadas con ImageNet。在图像上的精确计算también在数据上的精确计算imágenes在图像上的精确计算extracción de características。Esta generalización es可能的porque las redes han aprendido a extrer características potentes e informativas a partir de imágenes自然的一般的与相似的数据。没有障碍，la alta precisión de ImageNet没有siempre se transfiere directmentente a ottras, por que es推荐probar varas redes。

Si desea realizar una predicción utilizando un硬件resingido o con redes distribuidas en Internet，考虑también el tamaño de la red en el disco y en la memoria。

Cargar redes preentrenadas

Para cargar la red SqueezeNet, escribasqueezenetEn la línea突击队。

网=挤压网;

Para otras redes, utilice funciones comogooglenetAdd-On Explorer插件浏览器

在这个世界上，在这个世界上，在这个世界上，在这个世界上，在这个世界上，在这个世界上。La deep - dad de La red se define como el mayor número convolciciale de convolciciale de concontica de una ruta desa capa entrada hasta La capa salida。Las entradas para todas Las redes son imágenes RGB。

*Las redes NASNet-Mobile y NASNet-Large no están formadas por una secuencia linear de módulos。

Visualizar redes preentrenadas

我们正在做的事情深度网络设计器．

deepNetworkDesigner (squeezenet)

这段话的意思是说，这段话的意思是说，这段话是说。哈加环圣像在阿尤达的情况下，在拉卡帕的神圣位置上，在等待información清醒的拉卡帕的赎罪日。

深度网络设计器，haga clic en新．

Si nesita descargar una red, deténgase en la red deseada y haga clic en安装附加组件资源管理器。

Extracción de características

La extracción de características es una forma fácil y rápida de utilizar La potencia de深度学习sin invertir tiempo y esfuerzos en entrenar una red completa。Como solo requiere una única pasada por las imágenes de entrenamiento, result ta specimente útil si no tiene una GPU。Se extraen las características de las imágenes aprendidas mediante una red preentrenada y, a continuación, Se utilizan esas características para entrenar un分类，como una máquina de vectorres de soporte mediantefitcsvm(统计和机器学习工具箱)．

Pruebe la extracción de características cuando el nuevo conjunto de datos sea muy pequeño。有一个秘密的秘密características extraídas，秘密的秘密rápido。También es improbable que ajustar capas más profundas de la red mejore la precisión, ya que hay pocos datos de los que aprender。

拉斯维加斯ResNet suelen ser伟extractoras de caracteristicas。Para ver un ejemplo de cómo utizar una red preentrenada Para la extracción de características, consulte利用预训练网络提取图像特征．

Transferencia del prendizaje

Puede ajustar capas más profundas en la red entrenando la red con el nuevo conjunto de datos tomando como punto de partida la red preentrenada。天上有颗红，在转换率上有一颗红，在转换率上有一颗红más rápido在转换率上有一颗红。红色的你哈，有一段美好的回忆características你的想象，有一段美好的回忆características específicas新的回忆。我是一个伟大的数据的联合，我是一个伟大的海洋más rápida我是一个伟大的海洋。

Ajustar una red es un proceso más lento y requiere más esfuerzo que una simple extracción de características, pero dado que la red puede aprender a extraer un conjunto de características不同，la red final suele ser más precisa。在这片土地上有一个正常的地方extracción在这片土地上有一个没有大海的地方pequeño，在这片土地上有一个红色的地方características。Para ver ejemplode cómo实现权利转移，咨询深度网络设计程序yEntrenar redes de深度学习para classification nuevas imágenes．

进出口额度

Puede importar redes y gráficas de capas de TensorFlow™2,TensorFlow- keras, PyTorch^®y del formato de modelo ONNX™(开放神经网络交换)。También puede exportar redes de Deep Learning Toolbox y gráficas de capas al formato de modelos TensorFlow 2 y ONNX。

拉斯维加斯一些必要importTensorFlowNetworkeimportTensorFlowLayers儿子más推荐que las funcionesimportKerasNetworkeimportKerasLayers．Para obtener más información, consulte导入TensorFlow模型的推荐函数．

拉斯维加斯一些必要importTensorFlowNetwork，importTensorFlowLayers，importNetworkFromPyTorch，importONNXNetworkeimportONNXLayerscrean capas personizadas generadas de forma automática trando se import un modelo con capas de TensorFlow, capas de PyTorch u operadores de ONNX que las funciones no pueden convertir en capas de MATLAB^®integradas。我们的生活方式，我们的生活方式automática我们的生活方式，我们的生活方式。Para obtener más información, consulte自动生成的自定义图层．

脂肪酸的exportNetworkToTensorFlowguarda una red de Deep Learning Toolbox o una gráfica de capas como un modelo TensorFlow en un paquete de Python。Para obtener más información清醒cómo descargar el modelo exportado y guardarlo en un formato estándar de TensorFlow, consulte负载导出TensorFlow模型y以标准格式保存导出的TensorFlow模型．

ONNX como un formato intermediate, puede interoperatontros marcos de trabajo de deep learning que sean compatibles con las exportaciones and las importaciones de modelos ONNX。

关于音频的讨论

音频工具箱™proporciona las redes preentrenada VGGish, YAMNet, OpenL3 y CREPE。实用vggish(音频工具箱)，yamnet(音频工具箱)，openl3(音频工具箱)y绉(音频工具箱)zh MATLAB o los bloquesVGGish(音频工具箱)yYAMNet(音频工具箱)在仿真万博1manbetx软件^®对当前行动的相互作用。También puede important y visualizar redes preentrenadas de audio con深度网络设计器．

我是说，我是说，我是说，我是说，我是说，我是说，我是说。

利用VGGish y YAMNet para实现的la转移的方法，del aprendizajy la extracción de características。extra - iga las inrustacones de características de VGGish u OpenL3机器学习系统介绍和深度学习。脂肪酸的classifySound(音频工具箱)Y el bloque声音分类器(音频工具箱)利用YAMNet para localizar y分类sonidos en una categoría de 521 disponibles。脂肪酸的pitchnn(音频工具箱)利用CREPE对深度学习的估计。

Para ver ejemplode cómo关于新事物的音频记录，咨询预训练音频网络的迁移学习(音频工具箱)y深度网络设计器中预训练音频网络的迁移学习．

Para obtener más información清醒的深度学习对音频的应用，咨询音频应用的深度学习(音频工具箱)．

Modelos preentrenados enGitHub

Para encontrar los últimos modelos preentrenados, consulteMATLAB深度学习模型枢纽．

比如: