Diese Seite ist für die vorige Version. Die entsprechende englische Seite wurde in der aktuellen Version entfernt.
Automatische Differenzierung
Für die meisten Aufgaben können Sie integrierte Schichten verwenden. Wenn es eine integrierte Schicht, die Sie für Ihre Aufgabe benötigen, nicht gibt, können Sie Ihre eigene Ebene definieren. Sie können benutzerdefinierte Schichten mit erlernbaren und Zustandsparametern definieren. Nachdem Sie eine benutzerdefinierte Schicht definiert haben, können Sie überprüfen, ob die Schicht gültig und GPU-kompatibel ist und korrekt definierte Gradienten ausgibt. Eine Liste der unterstützten Schichten finden Sie unter List of Deep Learning Layers.
Wenn die trainingOptions-Funktion nicht die Trainingsoptionen bietet, die Sie für Ihre Aufgabe benötigen, oder Sie eine Verlustfunktion haben, die die trainnet-Funktion nicht unterstützt, können Sie eine eigene Trainingsschleife definieren. Für Modelle, die nicht als Netz von Schichten angegeben werden können, können Sie das Modell als Funktion definieren. Weitere Informationen finden Sie unter Define Custom Training Loops, Loss Functions, and Networks.
Kategorien
- Benutzerdefinierte Schichten
Definieren von benutzerdefinierten Schichten für Deep Learning
- Benutzerdefinierte Trainingsschleifen
Anpassen von Deep-Learning-Trainingsschleifen und Verlustfunktionen
- Operationen
Entwicklung benutzerdefinierter Deep-Learning-Funktionen
Enthaltene Beispiele
Train a Twin Network for Dimensionality Reduction
Train a twin neural network with shared weights to compare handwritten digits using dimensionality reduction.
Train a Twin Neural Network to Compare Images
Train a twin neural network with shared weights to identify similar images of handwritten characters.
Image Captioning Using Attention
Train a deep learning model for image captioning using attention.
Multilabel Text Classification Using Deep Learning
Classify text data that has multiple independent labels.
Sequence-to-Sequence Translation Using Attention
Convert decimal strings to Roman numerals using a recurrent sequence-to-sequence encoder-decoder model with attention.
Train Network in Parallel with Custom Training Loop
Set up a custom training loop to train a network in parallel.
Train Variational Autoencoder (VAE) to Generate Images
Train a deep learning variational autoencoder (VAE) to generate images.
Train Network Using Cyclical Learning Rate for Snapshot Ensembling
Train a network to classify images of objects using a cyclical learning rate schedule and snapshot ensembling for better test accuracy. In the example, you learn how to use a cosine function for the learning rate schedule, take snapshots of the network during training to create a model ensemble, and add L2-norm regularization (weight decay) to the training loss.
Train Bayesian Neural Network
Train a Bayesian neural network (BNN) for image regression using Bayes by Backpropagation.
