Importieren und Erstellen tiefer neuronaler Netze
Nutzen Sie das Transfer Learning, um das Wissen eines zuvor trainierten Netzes zu nutzen, um neue Muster in neuen Daten zu lernen. Die Feinabstimmung eines vortrainierten Netzes 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 trainieren, über Millionen von Beobachtungen oder eine leistungsstarke GPU besitzen zu müssen. Die Deep Learning Toolbox™ bietet mehrere vortrainierte Netze, die für das Transfer Learning geeignet sind. Sie können auch Netze von externen Plattformen importieren, wie z. B TensorFlow™ 2, TensorFlow-Keras, PyTorch®, das ONNX™-Modellformat (Open Neural Network Exchange) und Caffe.
Wenn Transfer Learning für Ihre Aufgabe nicht geeignet ist, können Sie Netze von Grund auf mithilfe von MATLAB®-Programmcode oder interaktiv mit der Deep Network Designer-App erstellen. Wenn Sie unter den integrierten Schichten nicht die Schicht finden, die Sie für Ihre Aufgabe benötigen, können Sie eine eigene Deep-Learning-Schicht definieren. Sie können benutzerdefinierte Schichten mit erlernbaren und Zustandsparametern definieren. Nachdem Sie eine benutzerdefinierte Schicht definiert haben, können Sie überprüfen, ob die Schicht gültig und GPU-kompatibel ist und korrekt definierte Gradienten ausgibt. Für Modelle, die nicht als Netz von Schichten angegeben werden können, können Sie das Modell als Funktion definieren.
Kategorien
- Integrierte vortrainierte Netze
Laden von integrierten vortrainierten Netzen und Durchführen von Transfer Learning
- Vortrainierte Netze von externen Plattformen
Importieren von vortrainierten Netzen von externen Deep-Learning-Plattformen
- Deep Network Designer App
Interaktives Erstellen und Bearbeiten von Deep-Learning-Netzen
- Integrierte Schichten
Erstellen tiefer neuronaler Netze mithilfe eingebauter Schichten
- Benutzerdefinierte Schichten
Definieren von benutzerdefinierten Schichten für Deep Learning
- Operationen
Entwicklung benutzerdefinierter Deep-Learning-Funktionen
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.
Klassifizieren von Webcam-Bildern mithilfe von Deep Learning
Dieses Beispiel zeigt, wie Sie Bilder einer Webcam mithilfe des vortrainierten Convolutional Neural Networks GoogLeNet in Echtzeit klassifizieren können.
Classify Images in Simulink Using GoogLeNet
Classify an image in Simulink® using the Image Classifier block. The example uses the pretrained deep convolutional neural network GoogLeNet to perform the classification.
Inference Comparison Between TensorFlow and Imported Networks for Image Classification
Perform prediction in TensorFlow with a pretrained network, import the network into MATLAB using importTensorFlowNetwork, and then compare
inference results between TensorFlow and MATLAB networks.
Classify Images in Simulink with Imported TensorFlow Network
Import a pretrained TensorFlow network using importTensorFlowNetwork, and then use the
Predict block for image classification in Simulink®.
Sequenz-Klassifizierung mithilfe von Deep Learning
Dieses Beispiel veranschaulicht, wie Sie Sequenzdaten mithilfe eines LSTM-Netzes (Long-Short-Term-Memory, langes Kurzzeitgedächtnis) klassifizieren können.
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.
Erste Schritte mit Deep Network Designer
Dieses Beispiel zeigt, wie ein einfaches rekurrentes neuronales Netz für die Deep-Learning-Sequenzklassifizierung mit Deep Network Designer erstellt wird.
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
Train a Twin Network for Dimensionality Reduction
Train a twin neural network with shared weights to compare handwritten digits using dimensionality reduction.
Train a Twin Neural Network to Compare Images
Train a twin neural network with shared weights to identify similar images of handwritten characters.
Image Captioning Using Attention
Train a deep learning model for image captioning using attention.
Sequence-to-Sequence Translation Using Attention
Convert decimal strings to Roman numerals using a recurrent sequence-to-sequence encoder-decoder model with attention.
Solve PDE Using Physics-Informed Neural Network
Train a physics-informed neural network (PINN) to predict the solutions of an partial differential equation (PDE).
Interpretable Time Series Forecasting Using a Temporal Fusion Transformer
Forecast electricity usage using an interpretable temporal fusion transformer (TFT).
