Trainieren von tiefen neuronalen Netzen

Trainieren von Netzen mit integrierten Trainingsfunktionen oder benutzerdefinierten Trainingsschleifen

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 GPU, mehreren CPUs oder GPUs oder parallel auf einem Cluster oder in der Cloud trainieren. Für das Training auf einem Grafikprozessor oder das parallele Training ist die Parallel Computing Toolbox™ erforderlich. Die Verwendung eines Grafikprozessors erfordert ein unterstütztes Grafikprozessorgerät (Informationen über unterstützte Geräte 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.

Enthaltene Beispiele

Prepare Network for Transfer Learning Using Deep Network Designer

Interactively fine-tune a pretrained deep learning network to learn a new image classification task.

Live Script öffnen

Time Series Forecasting Using Deep Learning

Forecast time series data using a long short-term memory (LSTM) network.

Live Script öffnen

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.

Live Script öffnen