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

Créez de nouveaux réseaux profonds pour des tâches comme la classification, la régression et la prévision 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 Designer

Concevoir et visualiser des réseaux de Deep Learning

Fonctions

développer tout

Couches prédéfinies

Couches d’entrée

`sequenceInputLayer`	Sequence input layer
`featureInputLayer`	Feature input layer (depuis R2020b)

Couches récurrentes

`lstmLayer`	Long short-term memory (LSTM) layer for recurrent neural network (RNN)
`bilstmLayer`	Bidirectional long short-term memory (BiLSTM) layer for recurrent neural network (RNN)
`gruLayer`	Gated recurrent unit (GRU) layer for recurrent neural network (RNN) (depuis R2020a)
`lstmProjectedLayer`	Long short-term memory (LSTM) projected layer for recurrent neural network (RNN) (depuis R2022b)
`gruProjectedLayer`	Gated recurrent unit (GRU) projected layer for recurrent neural network (RNN) (depuis R2023b)

Couches de transformateur

`selfAttentionLayer`	Self-attention layer (depuis R2023a)
`attentionLayer`	Dot-product attention layer (depuis R2024a)
`positionEmbeddingLayer`	Position embedding layer (depuis R2023b)
`sinusoidalPositionEncodingLayer`	Sinusoidal position encoding layer (depuis R2023b)
`embeddingConcatenationLayer`	Embedding concatenation layer (depuis R2023b)
`indexing1dLayer`	1-D indexing layer (depuis R2023b)

Couches d’ODE neuronales

neuralODELayer Neural ODE layer (depuis R2023b)

Couches de convolution et couches entièrement connectées

`convolution1dLayer`	1-D convolutional layer (depuis R2021b)
`transposedConv1dLayer`	Transposed 1-D convolution layer (depuis R2022a)
`fullyConnectedLayer`	Fully connected layer

Couches d’activation et de dropout

`reluLayer`	Couche ReLU (Rectified Linear Unit)
`leakyReluLayer`	Leaky Rectified Linear Unit (ReLU) layer
`preluLayer`	Parametrized Rectified Linear Unit (PReLU) layer (depuis R2024a)
`clippedReluLayer`	Clipped Rectified Linear Unit (ReLU) layer
`eluLayer`	Exponential linear unit (ELU) layer
`tanhLayer`	Hyperbolic tangent (tanh) layer
`swishLayer`	Swish layer (depuis R2021a)
`geluLayer`	Gaussian error linear unit (GELU) layer (depuis R2022b)
`sigmoidLayer`	Sigmoid layer (depuis R2020b)
`softmaxLayer`	Couche softmax
`dropoutLayer`	Dropout layer
`spatialDropoutLayer`	Spatial dropout layer (depuis R2024a)
`functionLayer`	Function layer (depuis R2021b)

Couches de normalisation

`batchNormalizationLayer`	Batch normalization layer
`groupNormalizationLayer`	Group normalization layer (depuis R2020b)
`instanceNormalizationLayer`	Instance normalization layer (depuis R2021a)
`layerNormalizationLayer`	Layer normalization layer (depuis R2021a)
`crossChannelNormalizationLayer`	Channel-wise local response normalization layer

Couches de pooling

`maxPooling1dLayer`	1-D max pooling layer (depuis R2021b)
`averagePooling1dLayer`	1-D average pooling layer (depuis R2021b)
`globalMaxPooling1dLayer`	1-D global max pooling layer (depuis R2021b)
`globalAveragePooling1dLayer`	1-D global average pooling layer (depuis R2021b)
`adaptiveAveragePooling2dLayer`	Adaptive average pooling 2-D layer (depuis R2024a)

Couches de combinaison

`additionLayer`	Addition layer
`multiplicationLayer`	Multiplication layer (depuis R2020b)
`concatenationLayer`	Concatenation layer
`depthConcatenationLayer`	Depth concatenation layer

Création de réseau

`dlnetwork`	Deep learning neural network (depuis R2019b)
`addLayers`	Add layers to neural network
`removeLayers`	Remove layers from neural network
`replaceLayer`	Replace layer in neural network
`connectLayers`	Connect layers in neural network
`disconnectLayers`	Disconnect layers in neural network
`addInputLayer`	Add input layer to network (depuis R2022b)
`initialize`	Initialize learnable and state parameters of a `dlnetwork` (depuis R2021a)
`networkLayer`	Network Layer (depuis R2024a)
`expandLayers`	Expand network layers (depuis R2024a)
`groupLayers`	Group layers into network layers (depuis R2024a)
`networkDataLayout`	Deep learning network data layout for learnable parameter initialization (depuis R2022b)
`setL2Factor`	Set L₂ regularization factor of layer learnable parameter
`getL2Factor`	Get L₂ regularization factor of layer learnable parameter
`setLearnRateFactor`	Set learn rate factor of layer learnable parameter
`getLearnRateFactor`	Get learn rate factor of layer learnable parameter

Informations sur le réseau

`plot`	Plot neural network architecture
`summary`	Imprimer la synthèse d'un réseau (depuis R2022b)
`analyzeNetwork`	Analyze deep learning network architecture
`checkLayer`	Check validity of custom or function layer
`isequal`	Check equality of neural networks (depuis R2021a)
`isequaln`	Check equality of neural networks ignoring `NaN` values (depuis R2021a)

Rubriques

Couches prédéfinies

Train Network with Numeric Features
This example shows how to create and train a simple neural network for deep learning feature data classification.
Classification de séquences avec le Deep Learning
Cet exemple montre comment classer des données séquentielles avec un réseau LSTM (long short-term memory).
Sequence-to-Sequence Classification Using Deep Learning
This example shows how to classify each time step of sequence data using a long short-term memory (LSTM) network.
Sequence-to-Sequence Regression Using Deep Learning
This example shows how to predict the remaining useful life (RUL) of engines by using deep learning.
Sequence-to-One Regression Using Deep Learning
This example shows how to predict the frequency of a waveform using a long short-term memory (LSTM) neural network.
Long Short-Term Memory Neural Networks
Learn about long short-term memory (LSTM) neural networks.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
Multiple-Input and Multiple-Output Networks
Learn how to define and train deep learning networks with multiple inputs or multiple outputs.
List of Deep Learning Layers
Discover all the deep learning layers in MATLAB.
Build Networks with Deep Network Designer
Interactively build and edit deep learning networks in Deep Network Designer.
Deep Learning in MATLAB
Discover deep learning capabilities in MATLAB using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.

Couches personnalisées

Define Custom Deep Learning Layers
Learn how to define custom deep learning layers.
Check Custom Layer Validity
Learn how to check the validity of custom deep learning layers.

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

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

Chemical Process Fault Detection Using Deep Learning

Use simulation data to train a neural network than can detect faults in a chemical process.

Ouvrir le live script

Train Network on Image and Feature Data

Train a network that classifies handwritten digits using both image and feature input data.

Ouvrir le live script

Predict Battery State of Charge Using Deep Learning

Train a neural network to predict the state of charge of a battery by using deep learning.

Ouvrir le live script