Operationen
Für die meisten Aufgaben können Sie integrierte Schichten verwenden. Wenn es keine integrierte Schicht gibt, die Sie für Ihre Aufgabe benötigen, können Sie eine eigene 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. Weitere Informationen finden Sie unter Define Custom Deep Learning Layers. Eine Liste der unterstützten Schichten finden Sie unter List of Deep Learning Layers.
Wenn die trainingOptions
-Funktion nicht die Trainingsoptionen bietet, die Sie für Ihre Aufgabe benötigen, oder Sie eine Verlustfunktion haben, die die trainnet
-Funktion nicht unterstützt, können Sie eine eigene Trainingsschleife definieren. Für Modelle, die nicht als Netz von Schichten angegeben werden können, können Sie das Modell als Funktion definieren. Weitere Informationen finden Sie unter Define Custom Training Loops, Loss Functions, and Networks.
Verwenden Sie Deep Learning-Operationen zur Entwicklung von MATLAB®-Code für benutzerdefinierte Schichten, Trainingsschleifen und Modellfunktionen.
Funktionen
Themen
Automatische Differenzierung
- List of Functions with dlarray Support
View the list of functions that supportdlarray
objects. - Automatic Differentiation Background
Learn how automatic differentiation works. - Use Automatic Differentiation In Deep Learning Toolbox
How to use automatic differentiation in deep learning. - Define Custom Deep Learning Operations
Learn how to define custom deep learning operation. - Specify Custom Operation Backward Function
This example shows how to define the SReLU operation as a differentiable function and specify a custom backward function. - Train Model Using Custom Backward Function
This example shows how to train a deep learning model that contains an operation with a custom backward function.
Modellfunktionen
- Train Network Using Model Function
This example shows how to create and train a deep learning network by using functions rather than a layer graph or adlnetwork
. - Update Batch Normalization Statistics Using Model Function
This example shows how to update the network state in a network defined as a function. - Make Predictions Using Model Function
This example shows how to make predictions using a model function by splitting data into mini-batches. - Initialize Learnable Parameters for Model Function
Learn how to initialize learnable parameters for custom training loops using a model function.
Deep-Learning-Funktionsbeschleunigung
- Deep Learning Function Acceleration for Custom Training Loops
Accelerate model functions and model loss functions for custom training loops by caching and reusing traces. - Accelerate Custom Training Loop Functions
This example shows how to accelerate deep learning custom training loop and prediction functions. - Check Accelerated Deep Learning Function Outputs
This example shows how to check that the outputs of accelerated functions match the outputs of the underlying function. - Evaluate Performance of Accelerated Deep Learning Function
This example shows how to evaluate the performance gains of using an accelerated function.