Grundlagen des Deep Learning

Importieren, Erstellen, Trainieren, Abstimmen, Visualisieren, Überprüfen und Exportieren von tiefen neuronalen Netzen

Die Deep Learning Toolbox™ bietet Werkzeuge für jede Phase des Deep-Learning-Workflows.

Vorverarbeiten Sie Daten für das Training tiefer Netze mithilfe von Befehlszeilenfunktionen und interaktiven Anwendungen.
Importieren Sie vortrainierte Netze von MATLAB^® oder externen Plattformen wie TensorFlow™ 2, TensorFlow-Keras, PyTorch^® und ONNX™.
Erstellen Sie Netze mithilfe von Befehlszeilenfunktionen oder interaktiv mit der App Deep Network Designer.
Wählen Sie Trainingsoptionen und trainieren Sie Netze mit integrierten Trainingsfunktionen oder benutzerdefinierten Trainingsschleifen.
Verbessern Sie die Leistung des Netzes, indem Sie Hyperparameter abstimmen oder mehrere Versuche mit der App Experiment Manager durchführen.
Visualisieren und überprüfen Sie das Netzverhalten während und nach dem Training.
Exportieren Sie Netze auf externe Plattformen wie TensorFlow 2 und ONNX.

Häufig angesehene Themen

Deep learning workflow: preprocess data, import or build network, train network, tune network, visualize and verify results, and export network

Enthaltene Beispiele

Klassifizieren von Bildern mit GoogLeNet

Dieses Beispiel veranschaulicht, wie ein Bild mithilfe von GoogLeNet, einem vortrainierten tiefen faltenden neuronalen Netz (Deep Convolutional Neural Network), klassifiziert wird.

Live Script öffnen

Prepare Network for Transfer Learning Using Deep Network Designer

Interactively fine-tune a pretrained deep learning network to learn a new image classification task.

Live Script öffnen

Create Simple Deep Learning Neural Network for Classification

Create and train a simple convolutional neural network for deep learning classification.

Live Script öffnen

Train Convolutional Neural Network for Regression

Train a convolutional neural network to predict the angles of rotation of handwritten digits.

Live Script öffnen

Time Series Forecasting Using Deep Learning

Forecast time series data using a long short-term memory (LSTM) network.

Live Script öffnen

Train Generative Adversarial Network (GAN)

Train a generative adversarial network to generate images.

Live Script öffnen

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

Live Script öffnen

Create a Deep Learning Experiment for Classification

Train a deep learning network for classification using Experiment Manager.

Seit R2020a

Script öffnen

Grad-CAM Reveals the Why Behind Deep Learning Decisions

Use the gradient-weighted class activation mapping (Grad-CAM) technique to understand why a deep learning network makes its classification decisions. Grad-CAM, invented by Selvaraju and coauthors [1], uses the gradient of the classification score with respect to the convolutional features determined by the network in order to understand which parts of the image are most important for classification. This example uses the GoogLeNet pretrained network for images.

Live Script öffnen