Diese Seite ist für die vorige Version. Die entsprechende englische Seite wurde in der aktuellen Version entfernt.
Integriertes Training
Nachdem Sie die Netzarchitektur definiert haben, können Sie die Trainingsparameter mit der Funktion trainingOptions festlegen. Sie können das Netz dann mit der Funktion trainnet trainieren. Verwenden Sie das trainierte Netz, um Klassenbezeichnungen oder numerische Antworten vorherzusagen.
Sie können ein neuronales Netz auf einer CPU, einer Grafikkarte, mehreren CPUs oder Grafikkarten oder parallel auf einem Cluster oder in der Cloud trainieren. Das Training auf einer Grafikkarte und das parallele Training erfordern die Parallel Computing Toolbox™. Bei der Verwendung einer Grafikkarte ist eine unterstützte Grafikkarte erforderlich (Informationen zu unterstützten Geräten finden Sie unter GPU Computing Requirements (Parallel Computing Toolbox)). Geben Sie die Ausführungsumgebung mit der Funktion trainingOptions an.
Apps
| Deep Network Designer | Entwurf und Visualisierung von Deep-Learning-Netzen |
Funktionen
Themen
- Erstellen eines einfachen neuronalen Deep-Learning-Netzes für die Klassifizierung
Dieses Beispiel veranschaulicht, wie Sie ein einfaches Convolutional Neural Network für die Deep-Learning-Klassifizierung erstellen und trainieren können.
- Trainieren eines Convolutional Neural Network für Regression
Dieses Beispiel zeigt, wie Sie ein Convolutional Neural Network darauf trainieren können, die Drehwinkel handgeschriebener Ziffern vorherzusagen.
- 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.
- Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.
- Data Sets for Deep Learning
Discover data sets for various deep learning tasks.
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.
Convert Classification Network into Regression Network
Convert a trained classification network into a regression network.
Train Network on Image and Feature Data
Train a network that classifies handwritten digits using both image and feature input data.
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.
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
Train Neural ODE Network
Train an augmented neural ordinary differential equation (ODE) network.
Lane and Vehicle Detection in Simulink Using Deep Learning
Use deep convolutional neural networks inside a Simulink® model to perform lane and vehicle detection. This example takes the frames from a traffic video as an input, outputs two lane boundaries that correspond to the left and right lanes of the ego vehicle, and detects vehicles in the frame.
