Main Content

Erstellen tiefer neuronaler Netze

Erstellen Sie Netze mithilfe von Befehlszeilenfunktionen oder interaktiv mit der App Deep Network Designer.

Erstellen Sie Netze von Grund auf mithilfe von MATLAB®-Code oder interaktiv mit der App Deep Network Designer. Verwenden Sie integrierte Schichten, um Netze für Aufgaben wie Klassifizierung und Regression zu konstruieren. Eine Liste der integrierten Schichten finden Sie unter List of Deep Learning Layers. Sie können dann Ihr Netz analysieren, um die Netzarchitektur zu verstehen und es vor dem Training auf Probleme zu prüfen.

Wenn Sie unter den integrierten Schichten nicht die Schicht finden, die Sie für Ihre Aufgabe benötigen, können Sie eine eigene Deep-Learning-Schicht 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.

Für Modelle, die nicht als Netz von Schichten angegeben werden können, können Sie das Modell als Funktion definieren. Ein Beispiel für das Training eines Deep-Learning-Modells, das als Funktion definiert ist, finden Sie unter Train Network Using Model Function.

Apps

Deep Network DesignerEntwurf und Visualisierung von Deep-Learning-Netzen

Funktionen

alle erweitern

Eingabeschichten

inputLayerInput layer (Seit R2023b)
imageInputLayerImage input layer
image3dInputLayer3-D image input layer
sequenceInputLayerSequence input layer
featureInputLayerFeature input layer (Seit R2020b)

Faltung und vollständig verbundene Schichten

convolution2dLayer2-D convolutional layer
convolution3dLayer3-D convolutional layer
groupedConvolution2dLayer2-D grouped convolutional layer
transposedConv2dLayerTransposed 2-D convolution layer
transposedConv3dLayerTransposed 3-D convolution layer
fullyConnectedLayerFully connected layer

Wiederkehrende Schichten

lstmLayerLong short-term memory (LSTM) layer for recurrent neural network (RNN)
bilstmLayerBidirectional long short-term memory (BiLSTM) layer for recurrent neural network (RNN)
gruLayerGated recurrent unit (GRU) layer for recurrent neural network (RNN) (Seit R2020a)
lstmProjectedLayerLong short-term memory (LSTM) projected layer for recurrent neural network (RNN) (Seit R2022b)
gruProjectedLayerGated recurrent unit (GRU) projected layer for recurrent neural network (RNN) (Seit R2023b)

Transformer-Schichten

selfAttentionLayerSelf-attention layer (Seit R2023a)
attentionLayerDot-product attention layer (Seit R2024a)
positionEmbeddingLayerPosition embedding layer (Seit R2023b)
sinusoidalPositionEncodingLayerSinusoidal position encoding layer (Seit R2023b)
embeddingConcatenationLayerEmbedding concatenation layer (Seit R2023b)
indexing1dLayer1-D indexing layer (Seit R2023b)

Neuronale ODE-Schichten

neuralODELayerNeural ODE layer (Seit R2023b)

Aktivierungsschichten

reluLayerRectified Linear Unit (ReLU) layer
leakyReluLayerLeaky Rectified Linear Unit (ReLU) layer
preluLayerParametrized Rectified Linear Unit (PReLU) layer (Seit R2024a)
clippedReluLayerClipped Rectified Linear Unit (ReLU) layer
eluLayerExponential linear unit (ELU) layer
tanhLayerHyperbolic tangent (tanh) layer
swishLayerSwish layer (Seit R2021a)
geluLayerGaussian error linear unit (GELU) layer (Seit R2022b)
softmaxLayerSoftmax layer
sigmoidLayerSigmoid layer (Seit R2020b)
functionLayerFunction layer (Seit R2021b)

Normalisierungsschichten

batchNormalizationLayerBatch normalization layer
groupNormalizationLayerGroup normalization layer (Seit R2020b)
instanceNormalizationLayerInstance normalization layer (Seit R2021a)
layerNormalizationLayerLayer normalization layer (Seit R2021a)
crossChannelNormalizationLayer Channel-wise local response normalization layer

Utility-Schichten

dropoutLayerDropout layer
spatialDropoutLayerSpatial dropout layer (Seit R2024a)
flattenLayerFlatten layer
crop2dLayer2-D crop layer
crop3dLayer3-D crop layer (Seit R2019b)
networkLayerNetwork Layer (Seit R2024a)

Pooling und Unpooling von Schichten

averagePooling2dLayerAverage pooling layer
averagePooling3dLayer3-D average pooling layer
adaptiveAveragePooling2dLayerAdaptive average pooling 2-D layer (Seit R2024a)
globalAveragePooling2dLayer2-D global average pooling layer (Seit R2019b)
globalAveragePooling3dLayer3-D global average pooling layer (Seit R2019b)
globalMaxPooling2dLayerGlobal max pooling layer (Seit R2020a)
globalMaxPooling3dLayer3-D global max pooling layer (Seit R2020a)
maxPooling2dLayerMax pooling layer
maxPooling3dLayer3-D max pooling layer
maxUnpooling2dLayerMax unpooling layer

Kombinationsschichten

additionLayerAddition layer
multiplicationLayerMultiplication layer (Seit R2020b)
concatenationLayerConcatenation layer
depthConcatenationLayerDepth concatenation layer
dlnetworkDeep learning neural network (Seit R2019b)
imagePretrainedNetworkPretrained neural network for images (Seit R2024a)
resnetNetwork2-D residual neural network (Seit R2024a)
resnet3dNetwork3-D residual neural network (Seit R2024a)
addLayersAdd layers to neural network
removeLayersRemove layers from neural network
replaceLayerReplace layer in neural network
getLayerLook up a layer by name or path (Seit R2024a)
connectLayersConnect layers in neural network
disconnectLayersDisconnect layers in neural network
expandLayersExpand network layers (Seit R2024a)
groupLayersGroup layers into network layers (Seit R2024a)
analyzeNetworkAnalyze deep learning network architecture
addInputLayerAdd input layer to network (Seit R2022b)
initializeInitialize learnable and state parameters of a dlnetwork (Seit R2021a)
networkDataLayoutDeep learning network data layout for learnable parameter initialization (Seit R2022b)
setL2FactorSet L2 regularization factor of layer learnable parameter
getL2FactorGet L2 regularization factor of layer learnable parameter
setLearnRateFactorSet learn rate factor of layer learnable parameter
getLearnRateFactorGet learn rate factor of layer learnable parameter
dag2dlnetworkConvert SeriesNetwork and DAGNetwork to dlnetwork (Seit R2024a)
plotPlot neural network architecture
summaryÜbersicht über Netze drucken (Seit R2022b)
analyzeNetworkAnalyze deep learning network architecture
checkLayerCheck validity of custom or function layer
isequalCheck equality of neural networks (Seit R2021a)
isequalnCheck equality of neural networks ignoring NaN values (Seit R2021a)

Themen

Integrierte Schichten

Benutzerdefinierte Schichten