Workflows für Sequenz- und numerische Merkmalsdaten

Erstellen und trainieren Sie neuronale Netze mit mehrschichtigen Perzeptronen (MLP), neuronale Netze mit Long Short-term Memory (LSTM) und Convolutional Neural Networks (CNN) für Sequenz-, Zeitreihen- und Tabellendaten. Sie können neuronale Netze für Klassifizierungs-, Regressions- und Prognoseaufgaben erstellen und trainieren. Sie können neuronale Netze auch auf Textdaten trainieren, indem Sie Worteinbettungsschichten verwenden (erfordert Text Analytics Toolbox™), oder auf Audiodaten, indem Sie Spektrogramme verwenden (erfordert Audio Toolbox™).

Trainieren Sie neuronale Netze vom Typ Sequenz-zu-Eins und Sequenz-zu-Sequenz unter Verwendung der Funktion trainnet mit der Funktion trainingOptions oder definieren Sie eine benutzerdefinierte Trainingsschleife mithilfe von dlnetwork-Objekten und dlarray-Objektfunktionen.

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 untersuchen.

Wenn Sie über ein trainiertes Netz verfügen, können Sie seine Robustheit überprüfen, die Grenzen des Netzausgangs berechnen und 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.