Trainieren von tiefen neuronalen Netzen
Nachdem Sie die Netzarchitektur definiert haben, können Sie die Trainingsparameter mit der Funktion trainingOptions festlegen. Sie können das Netz dann mit der Funktion trainnet trainieren. Verwenden Sie das trainierte Netz, um Klassenbezeichnungen oder numerische Antworten vorherzusagen.
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 trainingOptions-Funktion an.
Wenn die trainingOptions-Funktion nicht die Trainingsoptionen bietet, die Sie für Ihre Aufgabe benötigen, oder die benutzerdefinierten Ausgabeschichten die benötigten Verlustfunktionen nicht unterstützen, können Sie eine benutzerdefinierte 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.
Kategorien
- Integriertes Training
Trainieren von Deep-Learning-Netzen mit integrierten Trainingsfunktionen
- Benutzerdefinierte Trainingsschleifen
Trainieren von Deep-Learning-Netzen mit benutzerdefinierten Trainingsschleifen
Enthaltene Beispiele
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.
Zeitreihen-Vorhersagen mit Deep Learning
Dieses Beispiel veranschaulicht, wie Sie Zeitreihendaten mithilfe eines LSTM-Netzes (Long-Short-Term-Memory, langes Kurzzeitgedächtnis) vorhersagen können.
Train Residual Network for Image Classification
Create a deep learning neural network with residual connections and train it on CIFAR-10 data. Residual connections are a popular element in convolutional neural network architectures. Using residual connections improves gradient flow through the network and enables training of deeper networks.
Classify Videos Using Deep Learning
Create a network for video classification by combining a pretrained image classification model and an LSTM network.
Train Network on Image and Feature Data
Train a network that classifies handwritten digits using both image and feature input data.
Train Network Using Custom Training Loop
Train a network that classifies handwritten digits with a custom learning rate schedule.
Train Generative Adversarial Network (GAN)
Train a generative adversarial network to generate images.
Train Fast Style Transfer Network
Train a network to transfer the style of an image to a second image. It is based on the architecture defined in [1].
Image Captioning Using Attention
Train a deep learning model for image captioning using attention.
