Erstellen tiefer neuronaler Netze

Erstellen Sie neuronale Netze für Bilddaten mit MATLAB^®-Programmcode oder interaktiv mit Deep Network Designer

Erstellen Sie neue tiefe Netze für Aufgaben wie Bildklassifizierung und Regression, indem Sie die Netzarchitektur von Grund auf definieren. Erstellen Sie Netze mithilfe von MATLAB oder interaktiv mithilfe von Deep Network Designer.

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 Parametern und Zustandsparametern definieren. Nachdem Sie eine benutzerdefinierte Schicht definiert haben, können Sie überprüfen, ob die Schicht gültig und mit der Grafikkarte kompatibel ist und korrekt definierte Gradienten ausgibt. Eine Liste der unterstützten Schichten finden Sie unter List of Deep Learning Layers.

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.

Apps

Deep Network Designer

Entwurf und Visualisierung von Deep-Learning-Netzen

Funktionen

alle erweitern

Integrierte Schichten

Eingangsschichten

`imageInputLayer`	Image input layer
`image3dInputLayer`	3-D image input layer

Faltungsschichten und vollständig verknüpfte Schichten

`convolution2dLayer`	2-D convolutional layer
`convolution3dLayer`	3-D convolutional layer
`groupedConvolution2dLayer`	2-D grouped convolutional layer
`transposedConv2dLayer`	Transposed 2-D convolution layer
`transposedConv3dLayer`	Transposed 3-D convolution layer
`fullyConnectedLayer`	Fully connected layer

Transformer-Schichten

`selfAttentionLayer`	Self-attention layer (Seit R2023a)
`attentionLayer`	Dot-product attention layer (Seit R2024a)
`positionEmbeddingLayer`	Position embedding layer (Seit R2023b)
`sinusoidalPositionEncodingLayer`	Sinusoidal position encoding layer (Seit R2023b)
`embeddingConcatenationLayer`	Embedding concatenation layer (Seit R2023b)
`indexing1dLayer`	1-D indexing layer (Seit R2023b)

Neuronale ODE-Schichten

neuralODELayer Neural ODE layer (Seit R2023b)

Aktivierungsschichten

`reluLayer`	Rectified Linear Unit (ReLU) layer
`leakyReluLayer`	Leaky Rectified Linear Unit (ReLU) layer
`clippedReluLayer`	Clipped Rectified Linear Unit (ReLU) layer
`eluLayer`	Exponential linear unit (ELU) layer
`tanhLayer`	Hyperbolic tangent (tanh) layer
`swishLayer`	Swish layer (Seit R2021a)
`geluLayer`	Gaussian error linear unit (GELU) layer (Seit R2022b)
`sigmoidLayer`	Sigmoid layer (Seit R2020b)
`softmaxLayer`	Softmax layer
`functionLayer`	Function layer (Seit R2021b)

Normalisierungsschichten

`batchNormalizationLayer`	Batch normalization layer
`groupNormalizationLayer`	Group normalization layer (Seit R2020b)
`instanceNormalizationLayer`	Instance normalization layer (Seit R2021a)
`layerNormalizationLayer`	Layer normalization layer (Seit R2021a)
`crossChannelNormalizationLayer`	Channel-wise local response normalization layer

Versorgungsschichten

`dropoutLayer`	Dropout layer
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer (Seit R2019b)
`networkLayer`	Network Layer (Seit R2024a)

Pooling- und Unpooling-Schichten

`averagePooling2dLayer`	Average pooling layer
`averagePooling3dLayer`	3-D average pooling layer
`adaptiveAveragePooling2dLayer`	Adaptive average pooling 2-D layer (Seit R2024a)
`globalAveragePooling2dLayer`	2-D global average pooling layer (Seit R2019b)
`globalAveragePooling3dLayer`	3-D global average pooling layer (Seit R2019b)
`globalMaxPooling2dLayer`	Global max pooling layer (Seit R2020a)
`globalMaxPooling3dLayer`	3-D global max pooling layer (Seit R2020a)
`maxPooling2dLayer`	Max pooling layer
`maxPooling3dLayer`	3-D max pooling layer
`maxUnpooling2dLayer`	Max unpooling layer

Kombinationsschichten

`additionLayer`	Addition layer
`multiplicationLayer`	Multiplication layer (Seit R2020b)
`concatenationLayer`	Concatenation layer
`depthConcatenationLayer`	Depth concatenation layer

Netzaufbau

`dlnetwork`	Deep learning neural network (Seit R2019b)
`imagePretrainedNetwork`	Pretrained neural network for images (Seit R2024a)
`resnetNetwork`	2-D residual neural network (Seit R2024a)
`resnet3dNetwork`	3-D residual neural network (Seit R2024a)
`addLayers`	Add layers to neural network
`removeLayers`	Remove layers from neural network
`replaceLayer`	Replace layer in neural network
`connectLayers`	Connect layers in neural network
`disconnectLayers`	Disconnect layers in neural network
`addInputLayer`	Add input layer to network (Seit R2022b)
`expandLayers`	Expand network layers (Seit R2024a)
`groupLayers`	Group layers into network layers (Seit R2024a)
`initialize`	Initialize learnable and state parameters of a `dlnetwork` (Seit R2021a)
`networkDataLayout`	Deep learning network data layout for learnable parameter initialization (Seit R2022b)
`setL2Factor`	Set L₂ regularization factor of layer learnable parameter
`getL2Factor`	Get L₂ regularization factor of layer learnable parameter
`setLearnRateFactor`	Set learn rate factor of layer learnable parameter
`getLearnRateFactor`	Get learn rate factor of layer learnable parameter

Netz-Informationen

`plot`	Plot neural network architecture
`summary`	Übersicht über Netze drucken (Seit R2022b)
`analyzeNetwork`	Analyze deep learning network architecture
`checkLayer`	Check validity of custom or function layer
`isequal`	Check equality of neural networks (Seit R2021a)
`isequaln`	Check equality of neural networks ignoring `NaN` values (Seit R2021a)

Themen

Integrierte Schichten

Create Simple Deep Learning Neural Network for Classification
This example shows how to create and train a simple convolutional neural network for deep learning classification.
Train Convolutional Neural Network for Regression
This example shows how to train a convolutional neural network to predict the angles of rotation of handwritten digits.
List of Deep Learning Layers
Discover all the deep learning layers in MATLAB.
Build Networks with Deep Network Designer
Interactively build and edit deep learning networks in Deep Network Designer.
Deep Learning in MATLAB
Discover deep learning capabilities in MATLAB using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.
Multiple-Input and Multiple-Output Networks
Learn how to define and train deep learning networks with multiple inputs or multiple outputs.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.

Benutzerdefinierte Schichten

Define Custom Deep Learning Layers
Learn how to define custom deep learning layers.
Check Custom Layer Validity
Learn how to check the validity of custom deep learning layers.

Enthaltene Beispiele

Train Residual Network for Image Classification

Create a deep learning neural network with residual connections and train it on CIFAR-10 data. Residual connections are a popular element in convolutional neural network architectures. Using residual connections improves gradient flow through the network and enables training of deeper networks.

Live Script öffnen