La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
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.
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.
- 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).
- 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.
- Create Custom Deep Learning Training Plot
This example shows how to create a custom training plot that updates at each iteration during training of deep learning neural networks using
trainnet. (depuis R2023b) - Custom Stopping Criteria for Deep Learning Training
This example shows how to stop training of deep learning neural networks based on custom stopping criteria using
trainnet. (depuis R2023b) - Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.
- Define Custom Learning Rate Schedule
This example shows how to define a time-based decay learning rate schedule and use it to train a neural network.
Sélection d՚exemples
Préparer un réseau pour l’apprentissage par transfert au moyen de Deep Network Designer
Ajuster de manière interactive un réseau de Deep Learning préentraîné pour apprendre une nouvelle tâche de classification d'images.
Train Network with Numeric Features
Create and train a simple neural network for deep learning feature data classification.
Train Neural Network with Tabular Data
Train a neural network with tabular data.
Build Time Series Forecasting Network Using Deep Network Designer
Create a simple long short-term memory (LSTM) network to forecast time series data using the Deep Network Designer app.
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.
Train Network on Image and Feature Data
Train a network that classifies handwritten digits using both image and feature input data.
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
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.
Adapt Pretrained Audio Network for New Data Using Deep Network Designer
Interactively adapt a pretrained network to classify new audio signals using Deep Network Designer.
Classify Videos Using Deep Learning
Create a network for video classification by combining a pretrained image classification model and an LSTM network.
