Créer des réseaux de neurones profonds

Créer des réseaux avec des fonctions en ligne de commande ou de manière interactive avec l’application Deep Network Designer

Créez des réseaux à partir de zéro avec du code MATLAB^® ou de manière interactive avec l’application Deep Network Designer. Utilisez des couches prédéfinies pour construire des réseaux pour des tâches comme la classification et la régression. Pour une liste de couches prédéfinies, veuillez consulter List of Deep Learning Layers. Vous pouvez ensuite analyser votre réseau pour comprendre son architecture et détecter les problèmes avant l’apprentissage.

Si aucune couche prédéfinie ne correspond aux besoins de votre tâche, vous pouvez définir votre propre couche de Deep Learning 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.

Si un modèle ne peut pas être spécifié comme un réseau de couches, vous pouvez le définir comme une fonction. Vous trouverez un exemple illustrant comment entraîner un modèle de Deep Learning défini comme une fonction dans Train Network Using Model Function.

Applications

Deep Network Designer

Concevoir et visualiser des réseaux de Deep Learning

Fonctions

développer tout

Couches prédéfinies

Couches d’entrée

`inputLayer`	Input layer (depuis R2023b)
`imageInputLayer`	Image input layer
`image3dInputLayer`	3-D image input layer
`sequenceInputLayer`	Sequence input layer
`featureInputLayer`	Feature input layer (depuis R2020b)

Couches de convolution et couches entièrement connectées

`convolution2dLayer`	2-D convolutional layer
`convolution3dLayer`	3-D convolutional layer
`groupedConvolution2dLayer`	2-D grouped convolutional layer
`transposedConv2dLayer`	Transposed 2-D convolution layer
`transposedConv3dLayer`	Transposed 3-D convolution layer
`fullyConnectedLayer`	Fully connected layer

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 d’activation

`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)
`softmaxLayer`	Couche softmax
`sigmoidLayer`	Sigmoid layer (depuis R2020b)
`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 utilitaires

`dropoutLayer`	Dropout layer
`spatialDropoutLayer`	Spatial dropout layer (depuis R2024a)
`flattenLayer`	Flatten layer
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer (depuis R2019b)
`networkLayer`	Network Layer (depuis R2024a)

Couches de pooling et d’unpooling

`averagePooling2dLayer`	Average pooling layer
`averagePooling3dLayer`	3-D average pooling layer
`adaptiveAveragePooling2dLayer`	Adaptive average pooling 2-D layer (depuis R2024a)
`globalAveragePooling2dLayer`	2-D global average pooling layer (depuis R2019b)
`globalAveragePooling3dLayer`	3-D global average pooling layer (depuis R2019b)
`globalMaxPooling2dLayer`	Global max pooling layer (depuis R2020a)
`globalMaxPooling3dLayer`	3-D global max pooling layer (depuis R2020a)
`maxPooling2dLayer`	Max pooling layer
`maxPooling3dLayer`	3-D max pooling layer
`maxUnpooling2dLayer`	Max unpooling layer

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)
`imagePretrainedNetwork`	Pretrained neural network for images (depuis R2024a)
`resnetNetwork`	2-D residual neural network (depuis R2024a)
`resnet3dNetwork`	3-D residual neural network (depuis R2024a)
`addLayers`	Add layers to neural network
`removeLayers`	Remove layers from neural network
`replaceLayer`	Replace layer in neural network
`getLayer`	Look up a layer by name or path (depuis R2024a)
`connectLayers`	Connect layers in neural network
`disconnectLayers`	Disconnect layers in neural network
`expandLayers`	Expand network layers (depuis R2024a)
`groupLayers`	Group layers into network layers (depuis R2024a)
`analyzeNetwork`	Analyze deep learning network architecture
`addInputLayer`	Add input layer to network (depuis R2022b)
`initialize`	Initialize learnable and state parameters of a `dlnetwork` (depuis R2021a)
`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
`dag2dlnetwork`	Convert `SeriesNetwork` and `DAGNetwork` to `dlnetwork` (depuis R2024a)

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

Long Short-Term Memory Neural Networks
Learn about long short-term memory (LSTM) neural networks.
Créer un réseau de neurones simple de Deep Learning pour la classification
Cet exemple montre comment créer et entraîner un réseau de neurones à convolution simple pour la classification Deep Learning.
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.
Create and Train Network with Nested Layers
This example shows how to create and train a network with nested layers using network layers. (depuis R2024a)
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
Choose an AI Model
Explore options for choosing an AI model.
Generate MATLAB Code from Deep Network Designer
Generate MATLAB code to recreate designing a network in Deep Network Designer.

Couches personnalisées

Define Custom Deep Learning Layers
Learn how to define custom deep learning layers.
Deep Learning Network Composition
Define custom layers that contain neural networks.
Define Nested Deep Learning Layer Using Network Composition
This example shows how to define a nested custom deep learning layer.
Check Custom Layer Validity
Learn how to check the validity of custom deep learning layers.
View Autogenerated Custom Layers Using Deep Network Designer
This example shows how to import a pretrained TensorFlow™ network and view the autogenerated layers in Deep Network Designer.

Exemples présentés

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

Convert Classification Network into Regression Network

Convert a trained classification network into a regression network.

Ouvrir le live script

Sequence Classification Using 1-D Convolutions

Classify sequence data using a 1-D convolutional neural network.

Ouvrir le live script

Build Image-to-Image Regression Network Using Deep Network Designer

Use Deep Network Designer to construct an image-to-image regression network for super resolution.

Ouvrir le live script

Multilabel Image Classification Using Deep Learning

Use transfer learning to train a deep learning model for multilabel image classification.

Ouvrir le live script

Train Neural ODE Network

Train an augmented neural ordinary differential equation (ODE) network.

Ouvrir le live script

Démarrer avec Deep Network Designer

Cet exemple montre comment utiliser Deep Network Designer pour créer et entraîner un réseau de neurones récurrent simple pour la classification Deep Learning de séquences.

Ouvrir le live script

Démarrer avec la classification d’images

Cet exemple montre comment utiliser l’application Deep Network Designer pour créer un réseau de neurones à convolution simple pour la classification Deep Learning. Les réseaux de neurones à convolution sont des outils essentiels pour le Deep Learning et conviennent parfaitement à la reconnaissance d'images.

Ouvrir le live script