Main Content

Apprentissage prédéfini

Entraîner des réseaux de Deep Learning pour des données séquentielles et tabulaires 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 ou pour prévoir de futurs pas de temps.

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 GPU Computing Requirements (Parallel Computing Toolbox)). Spécifiez l’environnement d’exécution avec la fonction trainingOptions.

Applications

Deep Network DesignerConcevoir et visualiser des réseaux de Deep Learning

Fonctions

développer tout

trainingOptionsOptions d’un réseau de neurones d’apprentissage pour le Deep Learning
trainnetTrain deep learning neural network (depuis R2023b)
analyzeNetworkAnalyze deep learning network architecture
predictCompute deep learning network output for inference (depuis R2019b)
minibatchpredictMini-batched neural network prediction (depuis R2024a)
scores2labelConvert prediction scores to labels (depuis R2024a)
confusionchartCreate confusion matrix chart for classification problem
sortClassesSort classes of confusion matrix chart

Rubriques

Réseaux perceptron multicouches

Réseaux récurrents

Réseaux à convolution

Deep Learning avec MATLAB