Main Content

Bilddaten-Workflows

Verwendung vortrainierter Netze oder Erstellung und Training von Netzen von Grund auf für die Bildklassifizierung und Regression

Nutzen Sie Transfer Learning, um beim Erlernen neuer Muster in neuen Bilddaten das Wissen eines vortrainierten Netzes zu nutzen. Die Feinabstimmung eines vortrainierten Bildklassifizierungsnetzes mit Transfer Learning ist in der Regel viel schneller und einfacher als ein Training von Grund auf. Die Verwendung von vortrainierten tiefen Netzen ermöglicht es Ihnen, schnell Modelle für neue Aufgaben zu erstellen, ohne ein neues Netz zu definieren und zu trainieren und ohne Millionen von Bildern oder eine leistungsstarke Grafikkarte zu benötigen. Sie können auch neue tiefe Netze für Bildklassifizierungs- und Regressionsaufgaben erstellen, indem Sie die Netzarchitektur definieren und das Netz von Grund auf trainieren.

Sie können das Netz unter Verwendung der Funktion trainnet mit der Funktion trainingOptions trainieren oder eine eigene Trainingsschleife mit dlnetwork-Objekten oder dlarray-Objektfunktionen angeben.

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.

Sie können den Trainingsfortschritt mithilfe integrierter Netzgenauigkeits- und Verlustdiagramme überwachen und trainierte Netze mithilfe von Visualisierungstechniken wie Grad-CAM, Okklusionsempfindlichkeit, LIME und Deep Dream untersuchen.

Wenn Sie über ein trainiertes Netz verfügen, können Sie seine Robustheit überprüfen, die Grenzen des Netzausgangs berechnen und absichtlich manipulierte Beispiele (adversarial examples) finden. Sie können ein trainiertes Netz auch in Simulink®-Modellen verwenden, indem Sie Blöcke aus der Blockbibliothek für tiefe neuronale Netze verwenden.

Kategorien

Enthaltene Beispiele