Créer et entraîner des réseaux

Créer des réseaux neuronaux profonds pour les données séquentielles et tabulaires et les entraîner à partir de zéro

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 GPU Computing Requirements (Parallel Computing Toolbox)). Spécifiez l’environnement d’exécution avec la fonction trainingOptions.

Sujets fréquemment rencontrés

Exemples présentés

Prévision de séries temporelles avec le Deep Learning

Cet exemple montre comment prévoir des données de séries temporelles avec un réseau LSTM (long short-term memory).

Ouvrir le live script

Classification de séquences avec le Deep Learning

Cet exemple montre comment classer des données séquentielles avec un réseau LSTM (long short-term memory).

Ouvrir le live script

Sequence-to-Sequence Classification Using Deep Learning

Classify each time step of sequence data using a long short-term memory (LSTM) network.

Ouvrir le live script

Sequence-to-Sequence Regression Using Deep Learning

Predict the remaining useful life (RUL) of engines by using deep learning.

Ouvrir le live script

Train Speech Command Recognition Model Using Deep Learning

Train a deep learning model that detects the presence of speech commands in audio. The example uses the Speech Commands Dataset [1] to train a convolutional neural network to recognize a set of commands.

Ouvrir le live script