La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Le Deep Learning avec des images
Utilisez l’apprentissage par transfert pour mettre à profit les connaissances offertes par un réseau préentraîné afin d’apprendre de nouveaux patterns dans de nouvelles données. L’ajustement précis d’un réseau de classification d’images préentraîné avec l’apprentissage par transfert est généralement beaucoup plus rapide et facile que l’apprentissage à partir de zéro. L’utilisation de réseaux profonds préentraînés vous permet de créer rapidement des modèles pour de nouvelles tâches sans avoir à définir et à entraîner un nouveau réseau, à disposer de millions d'images ou d'un puissant GPU. Vous pouvez également créer de nouveaux réseaux profonds pour des tâches de classification et de régression sur des images en définissant l’architecture du réseau et en entraînant le réseau à partir de zéro.
Vous pouvez entraîner le réseau avec les fonctions trainNetwork
et trainingOptions
ou vous pouvez spécifier une boucle d’apprentissage personnalisée avec des objets dlnetwork
ou des fonctions dlarray
.
Vous pouvez entraîner un réseau de neurones à convolution sur un CPU, un GPU, plusieurs CPU ou GPU, ou en parallèle sur un cluster ou dans le cloud. L’apprentissage sur un GPU ou en parallèle nécessite Parallel Computing Toolbox™. L’utilisation d’un GPU nécessite un dispositif GPU supporté (pour plus d'information sur les dispositifs supportés, veuillez consulter GPU Computing Requirements (Parallel Computing Toolbox)). Spécifiez l’environnement d’exécution avec la fonction trainingOptions
.
Catégories
- Réseaux préentraînés pour des images
Utiliser des réseaux préentraînés pour apprendre rapidement de nouvelles tâches
- Réseaux profonds pour les images
Créer des réseaux de neurones et les entraîner à partir de zéro
- Personnalisation de réseaux profonds pour les images
Personnaliser les boucles d’apprentissage du Deep Learning et les fonctions de perte
- Prétraitement de données pour les images
Gérer et prétraiter des données pour le Deep Learning