Main Content

La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Créer des réseaux de neurones profonds

Créer des réseaux de neurones pour des images avec du code MATLAB® ou de manière interactive avec Deep Network Designer

Créez de nouveaux réseaux profonds pour des tâches comme la classification et la régression sur des images en définissant l’architecture du réseau à partir de zéro. Créez des réseaux avec MATLAB ou de manière interactive avec Deep Network Designer.

Les couches prédéfinies conviennent à la plupart des tâches. Si aucune couche prédéfinie ne correspond aux besoins de votre tâche, vous pouvez définir votre propre couche personnalisée. Pour ce faire, vous pouvez utiliser des paramètres entraînables et des paramètres d’état. Après avoir défini une couche personnalisée, vous pouvez vérifier qu’elle est valide, compatible GPU et renvoie des gradients correctement définis en sortie. Pour une liste des couches supportées, veuillez consulter List of Deep Learning Layers.

Si un modèle ne peut pas être spécifié comme un réseau de couches, vous pouvez le définir comme une fonction. Pour en savoir plus, veuillez consulter Define Custom Training Loops, Loss Functions, and Networks.

Applications

Deep Network DesignerConcevoir et visualiser des réseaux de Deep Learning

Fonctions

développer tout

Couches d’entrée

imageInputLayerImage input layer
image3dInputLayer3-D image input layer

Couches de convolution et couches entièrement connectées

convolution2dLayer2-D convolutional layer
convolution3dLayer3-D convolutional layer
groupedConvolution2dLayer2-D grouped convolutional layer
transposedConv2dLayerTransposed 2-D convolution layer
transposedConv3dLayerTransposed 3-D convolution layer
fullyConnectedLayerFully connected layer

Couches de transformateur

selfAttentionLayerSelf-attention layer (depuis R2023a)
attentionLayerDot-product attention layer (depuis R2024a)
positionEmbeddingLayerPosition embedding layer (depuis R2023b)
sinusoidalPositionEncodingLayerSinusoidal position encoding layer (depuis R2023b)
embeddingConcatenationLayerEmbedding concatenation layer (depuis R2023b)
indexing1dLayer1-D indexing layer (depuis R2023b)

Couches d’ODE neuronales

neuralODELayerNeural ODE layer (depuis R2023b)

Couches d’activation

reluLayerCouche ReLU (Rectified Linear Unit)
leakyReluLayerLeaky Rectified Linear Unit (ReLU) layer
clippedReluLayerClipped Rectified Linear Unit (ReLU) layer
eluLayerExponential linear unit (ELU) layer
tanhLayerHyperbolic tangent (tanh) layer
swishLayerSwish layer (depuis R2021a)
geluLayerGaussian error linear unit (GELU) layer (depuis R2022b)
sigmoidLayerSigmoid layer (depuis R2020b)
softmaxLayerCouche softmax
functionLayerFunction layer (depuis R2021b)

Couches de normalisation

batchNormalizationLayerBatch normalization layer
groupNormalizationLayerGroup normalization layer (depuis R2020b)
instanceNormalizationLayerInstance normalization layer (depuis R2021a)
layerNormalizationLayerLayer normalization layer (depuis R2021a)
crossChannelNormalizationLayer Channel-wise local response normalization layer

Couches utilitaires

dropoutLayerDropout layer
crop2dLayer2-D crop layer
crop3dLayer3-D crop layer
networkLayerNetwork Layer (depuis R2024a)

Couches de pooling et d’unpooling

averagePooling2dLayerAverage pooling layer
averagePooling3dLayer3-D average pooling layer
adaptiveAveragePooling2dLayerAdaptive average pooling 2-D layer (depuis R2024a)
globalAveragePooling2dLayer2-D global average pooling layer
globalAveragePooling3dLayer3-D global average pooling layer
globalMaxPooling2dLayerGlobal max pooling layer (depuis R2020a)
globalMaxPooling3dLayer3-D global max pooling layer (depuis R2020a)
maxPooling2dLayerMax pooling layer
maxPooling3dLayer3-D max pooling layer
maxUnpooling2dLayerMax unpooling layer

Couches de combinaison

additionLayerAddition layer
multiplicationLayerMultiplication layer (depuis R2020b)
concatenationLayerConcatenation layer
depthConcatenationLayerDepth concatenation layer
dlnetworkDeep learning neural network
imagePretrainedNetworkPretrained neural network for images (depuis R2024a)
resnetNetwork2-D residual neural network (depuis R2024a)
resnet3dNetwork3-D residual neural network (depuis R2024a)
addLayersAdd layers to neural network
removeLayersRemove layers from neural network
replaceLayerReplace layer in neural network
connectLayersConnect layers in neural network
disconnectLayersDisconnect layers in neural network
addInputLayerAdd input layer to network (depuis R2022b)
expandLayersExpand network layers (depuis R2024a)
groupLayersGroup layers into network layers (depuis R2024a)
initializeInitialize learnable and state parameters of a dlnetwork (depuis R2021a)
networkDataLayoutDeep learning network data layout for learnable parameter initialization (depuis R2022b)
setL2FactorSet L2 regularization factor of layer learnable parameter
getL2FactorGet L2 regularization factor of layer learnable parameter
setLearnRateFactorSet learn rate factor of layer learnable parameter
getLearnRateFactorGet learn rate factor of layer learnable parameter
plotPlot neural network architecture
summaryImprimer la synthèse d'un réseau (depuis R2022b)
analyzeNetworkAnalyze deep learning network architecture
checkLayerCheck validity of custom or function layer
isequalCheck equality of neural networks (depuis R2021a)
isequalnCheck equality of neural networks ignoring NaN values (depuis R2021a)

Rubriques

Couches prédéfinies

Couches personnalisées

Exemples présentés