Integriertes Training

Trainieren Sie Deep-Learning-Netze für Bilddaten mit integrierten Trainingsfunktionen

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

alle erweitern

Trainieren des Netzes

`trainingOptions`	Options for training deep learning neural network
`trainnet`	Train deep learning neural network (Seit R2023b)
`analyzeNetwork`	Analyze deep learning network architecture

Vorhersage

`predict`	Compute deep learning network output for inference (Seit R2019b)
`minibatchpredict`	Mini-batched neural network prediction (Seit R2024a)
`scores2label`	Convert prediction scores to labels (Seit R2024a)
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

Themen

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.
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.

Live Script öffnen

Convert Classification Network into Regression Network

Convert a trained classification network into a regression network.

Live Script öffnen

Train Network on Image and Feature Data

Train a network that classifies handwritten digits using both image and feature input data.

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

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.

Script öffnen