Diese Seite ist für die vorige Version. Die entsprechende englische Seite wurde in der aktuellen Version entfernt.
Grundlagen des Deep Learning
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.
Kategorien
- Vorverarbeiten von Daten für tiefe neuronale Netze
Verwalten und Vorverarbeiten von Daten für Deep Learning
- Importieren von tiefen neuronalen Netzen
Laden von integrierten vortrainierten Netzen und Importieren von Netzen von externen Plattformen
- Erstellen tiefer neuronaler Netze
Erstellen Sie Netze mithilfe von Befehlszeilenfunktionen oder interaktiv mit der App Deep Network Designer.
- Trainieren von tiefen neuronalen Netzen
Trainieren von Netzen mit integrierten Trainingsfunktionen oder benutzerdefinierten Trainingsschleifen
- Abstimmen von tiefen neuronalen Netzen
Programmatische und interaktive Abstimmung der Trainingsoptionen, Wiederaufnahme des Trainings von einem Kontrollpunkt aus und Untersuchung von Adversarial-Beispielen (bewusst manipulierte Beispiele) aus der Praxis
- Visualisieren und Verifizieren von tiefen neuronalen Netzen
Visualisierung des Netzverhaltens, Erklärung von Vorhersagen und Überprüfung der Fehlerresistenz
- Exportieren von tiefen neuronalen Netzen
Exportieren von vortrainierten Netzen in externe Deep-Learning-Plattformen
Enthaltene Beispiele
Klassifizieren von Bildern mit GoogLeNet
Dieses Beispiel veranschaulicht, wie ein Bild mithilfe von GoogLeNet, einem vortrainierten tiefen Convolutional Neural Network (Deep Convolutional Neural Network), klassifiziert wird.
Vorbereiten des Netzes auf Transfer Learning mithilfe von Deep Network Designer
Stimmen Sie ein vortrainiertes Deep-Learning-Netz interaktiv ab, um eine neue Bildklassifizierungs-Aufgabe zu erlernen.
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.
Zeitreihen-Vorhersagen mit Deep Learning
Dieses Beispiel veranschaulicht, wie Sie Zeitreihendaten mithilfe eines LSTM-Netzes (Long-Short-Term-Memory, langes Kurzzeitgedächtnis) vorhersagen können.
Train Generative Adversarial Network (GAN)
Train a generative adversarial network to generate images.
Image Captioning Using Attention
Train a deep learning model for image captioning using attention.
Create a Deep Learning Experiment for Classification
Train a deep learning network for classification using Experiment Manager.
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.
Verify Robustness of Deep Learning Neural Network
Verify the adversarial robustness of a deep learning neural network.
