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

Boucles d’apprentissage personnalisées

Personnaliser les boucles d’apprentissage du Deep Learning et les fonctions de perte pour des réseaux d’images

Si la fonction trainingOptions ne propose pas les options d’apprentissage dont vous avez besoin pour votre tâche ou si vous avez une fonction de perte non supportée par la fonction trainnet, vous pouvez définir une boucle d’apprentissage personnalisée. Si un modèle ne peut pas être spécifié comme un réseau de couches, vous pouvez le définir comme une fonction. Pour en savoir plus, veuillez consulter Define Custom Training Loops, Loss Functions, and Networks.

Fonctions

développer tout

Boucles d’apprentissage personnalisées

`dlnetwork`	Deep learning neural network
`trainingProgressMonitor`	Monitor and plot training progress for deep learning custom training loops (depuis R2022b)
`minibatchqueue`	Create mini-batches for deep learning (depuis R2020b)
`dlarray`	Deep learning array for customization
`dlgradient`	Compute gradients for custom training loops using automatic differentiation
`dlfeval`	Evaluate deep learning model for custom training loops

Opérations de perte

`crossentropy`	Cross-entropy loss for classification tasks
`l1loss`	L₁ loss for regression tasks (depuis R2021b)
`l2loss`	L₂ loss for regression tasks (depuis R2021b)
`huber`	Huber loss for regression tasks (depuis R2021a)
`mse`	Half mean squared error

Opérations de Deep Learning

`dlconv`	Deep learning convolution
`dltranspconv`	Deep learning transposed convolution
`fullyconnect`	Sum all weighted input data and apply a bias
`batchnorm`	Normalize data across all observations for each channel independently
`crosschannelnorm`	Cross channel square-normalize using local responses (depuis R2020a)
`groupnorm`	Normalize data across grouped subsets of channels for each observation independently (depuis R2020b)
`instancenorm`	Normalize across each channel for each observation independently (depuis R2021a)
`layernorm`	Normalize data across all channels for each observation independently (depuis R2021a)
`avgpool`	Pool data to average values over spatial dimensions
`maxpool`	Pool data to maximum value
`maxunpool`	Unpool the output of a maximum pooling operation

Activations

`relu`	Apply rectified linear unit activation
`leakyrelu`	Apply leaky rectified linear unit activation
`gelu`	Apply Gaussian error linear unit (GELU) activation (depuis R2022b)
`softmax`	Apply softmax activation to channel dimension
`sigmoid`	Appliquer l’activation sigmoïde

Rubriques

Boucles d’apprentissage personnalisées

Train Deep Learning Model in MATLAB
Learn how to training deep learning models in MATLAB^®.
Define Custom Training Loops, Loss Functions, and Networks
Learn how to define and customize deep learning training loops, loss functions, and models.
Train Network Using Custom Training Loop
This example shows how to train a network that classifies handwritten digits with a custom learning rate schedule.
Monitor Custom Training Loop Progress
Track and plot custom training loop progress.
Train Network with Multiple Outputs
This example shows how to train a deep learning network with multiple outputs that predict both labels and angles of rotations of handwritten digits.
Classify Videos Using Deep Learning with Custom Training Loop
This example shows how to create a network for video classification by combining a pretrained image classification model and a sequence classification network.
Train Image Classification Network Robust to Adversarial Examples
This example shows how to train a neural network that is robust to adversarial examples using fast gradient sign method (FGSM) adversarial training.
Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.