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

Apprentissage prédéfini

Entraîner des réseaux de Deep Learning pour des images avec des fonctions d’apprentissage prédéfinies

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 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

développer tout

Entraîner le réseau

`trainingOptions`	Options d’un réseau de neurones d’apprentissage pour le Deep Learning
`trainnet`	Train deep learning neural network (depuis R2023b)
`analyzeNetwork`	Analyze deep learning network architecture

Prédiction

`predict`	Compute deep learning network output for inference
`minibatchpredict`	Mini-batched neural network prediction (depuis R2024a)
`scores2label`	Convert prediction scores to labels (depuis R2024a)
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

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.
Train Convolutional Neural Network for Regression
This example shows how to train a convolutional neural network to predict the angles of rotation of handwritten digits.
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.

Exemples présentés

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.

Ouvrir le live script

Convert Classification Network into Regression Network

Convert a trained classification network into a regression network.

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

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

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.

Ouvrir le script