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 Designer

Entwurf und Visualisierung von Deep-Learning-Netzen

Funktionen

alle erweitern

Integrierte Schichten

Eingabeschichten

`inputLayer`	Input layer (Seit R2023b)
`imageInputLayer`	Image input layer
`image3dInputLayer`	3-D image input layer
`sequenceInputLayer`	Sequence input layer
`featureInputLayer`	Feature input layer (Seit R2020b)

Faltung und vollständig verbundene 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

Wiederkehrende Schichten

`lstmLayer`	Long short-term memory (LSTM) layer for recurrent neural network (RNN)
`bilstmLayer`	Bidirectional long short-term memory (BiLSTM) layer for recurrent neural network (RNN)
`gruLayer`	Gated recurrent unit (GRU) layer for recurrent neural network (RNN) (Seit R2020a)
`lstmProjectedLayer`	Long short-term memory (LSTM) projected layer for recurrent neural network (RNN) (Seit R2022b)
`gruProjectedLayer`	Gated recurrent unit (GRU) projected layer for recurrent neural network (RNN) (Seit R2023b)

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
`preluLayer`	Parametrized Rectified Linear Unit (PReLU) layer (Seit R2024a)
`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)
`softmaxLayer`	Softmax layer
`sigmoidLayer`	Sigmoid layer (Seit R2020b)
`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

Utility-Schichten

`dropoutLayer`	Dropout layer
`spatialDropoutLayer`	Spatial dropout layer (Seit R2024a)
`flattenLayer`	Flatten layer
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer (Seit R2019b)
`networkLayer`	Network Layer (Seit R2024a)

Pooling und Unpooling von 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

Erstellung von Netzen

`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
`getLayer`	Look up a layer by name or path (Seit R2024a)
`connectLayers`	Connect layers in neural network
`disconnectLayers`	Disconnect layers in neural network
`expandLayers`	Expand network layers (Seit R2024a)
`groupLayers`	Group layers into network layers (Seit R2024a)
`analyzeNetwork`	Analyze deep learning network architecture
`addInputLayer`	Add input layer to network (Seit R2022b)
`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
`dag2dlnetwork`	Convert `SeriesNetwork` and `DAGNetwork` to `dlnetwork` (Seit R2024a)

Netzinformationen

`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

Long Short-Term Memory Neural Networks
Learn about long short-term memory (LSTM) neural networks.
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.
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.
Create and Train Network with Nested Layers
This example shows how to create and train a network with nested layers using network layers. (Seit R2024a)
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
Choose an AI Model
Explore options for choosing an AI model.
Generate MATLAB Code from Deep Network Designer
Generate MATLAB code to recreate designing a network in Deep Network Designer.

Benutzerdefinierte Schichten

Define Custom Deep Learning Layers
Learn how to define custom deep learning layers.
Deep Learning Network Composition
Define custom layers that contain neural networks.
Define Nested Deep Learning Layer Using Network Composition
This example shows how to define a nested custom deep learning layer.
Check Custom Layer Validity
Learn how to check the validity of custom deep learning layers.
View Autogenerated Custom Layers Using Deep Network Designer
This example shows how to import a pretrained TensorFlow™ network and view the autogenerated layers in Deep Network Designer.

Enthaltene Beispiele

Sequence Classification Using Deep Learning

Classify sequence data using a long short-term memory (LSTM) network.

Live Script öffnen

Convert Classification Network into Regression Network

Convert a trained classification network into a regression network.

Live Script öffnen

Sequence Classification Using 1-D Convolutions

Classify sequence data using a 1-D convolutional neural network.

Live Script öffnen

Build Image-to-Image Regression Network Using Deep Network Designer

Use Deep Network Designer to construct an image-to-image regression network for super resolution.

Live Script öffnen

Multilabel Image Classification Using Deep Learning

Use transfer learning to train a deep learning model for multilabel image classification.

Live Script öffnen

Train Neural ODE Network

Train an augmented neural ordinary differential equation (ODE) network.

Live Script öffnen

Erste Schritte mit Deep Network Designer

Dieses Beispiel zeigt, wie ein einfaches rekurrentes neuronales Netz für die Deep-Learning-Sequenzklassifizierung mit Deep Network Designer erstellt wird.

Live Script öffnen

Erste Schritte in der Bildklassifizierung

In diesem Beispiel wird gezeigt, wie ein einfaches Convolutional Neural Network zur Deep-Learning-Klassifizierung mit der App Deep Network Designer erstellt wird. Convolutional Neural Networks sind wichtige Werkzeuge für das Deep Learning und eignen sich vor allem für die Bilderkennung.

Live Script öffnen