Cette page s'applique à la version précédente. La page correspondante en anglais a été supprimée de la version actuelle.
Apprentissage prédéfini
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 entraîné pour prédire des étiquettes de classe ou des réponses numériques.
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 du GPU (Parallel Computing Toolbox)). Spécifiez l’environnement d’exécution avec la fonction trainingOptions.
Applications
| Deep Network Designer | Concevoir et visualiser des réseaux de Deep Learning |
Fonctions
Rubriques
- 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.
- Entraîner un réseau de neurones à convolution pour la régression
Cet exemple indique comment entraîner un réseau de neurones à convolution afin de prédire les angles de rotation des chiffres écrits à la main.
- 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.
- Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.
- Data Sets for Deep Learning
Discover data sets for various deep learning tasks.
Sélection d՚exemples
Train Residual Network for Image Classification
Create a deep learning neural network with residual connections and train it on CIFAR-10 data. Residual connections are a popular element in convolutional neural network architectures. Using residual connections improves gradient flow through the network and enables training of deeper networks.
Convertir un réseau de classification en réseau de régression
Cet exemple montre comment convertir un réseau de classification entraîné en réseau de régression.
Train Network on Image and Feature Data
Train a network that classifies handwritten digits using both image and feature input data.
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.
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
Train Neural ODE Network
Train an augmented neural ordinary differential equation (ODE) network.
Lane and Vehicle Detection in Simulink Using Deep Learning
Use deep convolutional neural networks inside a Simulink® model to perform lane and vehicle detection. This example takes the frames from a traffic video as an input, outputs two lane boundaries that correspond to the left and right lanes of the ego vehicle, and detects vehicles in the frame.
