La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Créer et entraîner des réseaux
Créez de nouveaux réseaux profonds pour des tâches de classification, de régression et de prévision en définissant l’architecture du réseau et en entraînant ce dernier à partir de zéro.
Après avoir défini l’architecture du réseau, vous pouvez définir des paramètres d’apprentissage avec la fonction trainingOptions
. Vous pouvez ensuite entraîner le réseau avec la fonction trainnet
. Utilisez le réseau ainsi entraîné pour prédire des étiquettes de classe ou des réponses numériques ou pour prévoir de futurs pas de temps. Si la fonction trainingOptions
ne propose pas les options d’apprentissage dont vous avez besoin pour votre tâche ou que les couches de sortie personnalisées ne supportent pas les fonctions de perte dont vous avez besoin, vous pouvez définir une boucle d’apprentissage personnalisée.
Vous pouvez entraîner un réseau de neurones sur un CPU, un GPU, plusieurs CPU ou GPU ou bien 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 Exigences de calcul GPU (Parallel Computing Toolbox)). Spécifiez l’environnement d’exécution avec la fonction trainingOptions
.
Catégories
- Créer des réseaux de neurones profonds
Créer des réseaux pour des données séquentielles et tabulaires avec du code MATLAB® ou de manière interactive avec Deep Network Designer
- Apprentissage prédéfini
Entraîner des réseaux de Deep Learning pour des données séquentielles et tabulaires avec des fonctions d’apprentissage prédéfinies
- Boucles d’apprentissage personnalisées
Personnaliser les boucles d’apprentissage du Deep Learning et les fonctions de perte pour des données séquentielles et tabulaires