基于MATLAB的深度学习
这两天的课程提供了一个全面的介绍实际的深度学习使用MATLAB®. 与会者将学习如何创建、训练和评估不同类型的深度神经网络。讲师指导培训使用NVIDIA GPU加速网络培训。主题包括：
- 导入图像和序列数据
- 使用卷积神经网络进行图像分类、回归和其他图像应用
- 利用长短记忆网络进行序列分类和预测
- 修改通用网络体系结构以解决自定义问题
- 通过修改培训选项提高网络性能
MATLAB的深度学习得到了英伟达深度学习学院. 深度学习学院也提供GPU支持的专业培训。查看他们的行业特定内容和高级CUDA编程课程。
基于MATLAB的深度学习
先决条件
| 第1天，共2天 | |
|---|---|
| 图像分类的迁移学习 | 目标：使用预训练网络执行图像分类。使用转移学习来训练定制的分类网络。
|
| 解读网络行为 | 目标：通过在图像数据通过网络时可视化图像数据，深入了解网络的运行方式。将此技术应用于不同类型的图像。
|
| 创建网络 | 目标：从头开始构建卷积网络。了解信息是如何在网络层之间传递的，以及不同类型的层是如何工作的。
|
| 训练网络 | 目标：了解训练算法是如何工作的。设置培训选项以监视和控制培训。
|
| 第2天，共2天 | |
|---|---|
| 提高网络性能 | 目标：选择并实施对训练算法选项、网络体系结构或训练数据的修改，以提高网络性能。
|
| 执行图像回归 | 目标：创建能够预测连续数值响应的卷积网络。
|
| 深度学习在计算机视觉中的应用 | 目标：训练网络定位和标记图像中的特定对象。
|
| 序列数据分类 | 目标：构建和训练网络，对有序数据序列（如时间序列或传感器数据）进行分类。
|
| 生成输出序列 | 目标：使用递归网络来创建预测序列。
|
