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 (depuis R2019b)
`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 (depuis R2019b)
`dlgradient`	Compute gradients for custom training loops using automatic differentiation (depuis R2019b)
`dlfeval`	Evaluate deep learning model for custom training loops (depuis R2019b)

Opérations de perte

`crossentropy`	Cross-entropy loss for classification tasks (depuis R2019b)
`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 (depuis R2019b)

Opérations de Deep Learning

`dlconv`	Deep learning convolution (depuis R2019b)
`dltranspconv`	Deep learning transposed convolution (depuis R2019b)
`fullyconnect`	Sum all weighted input data and apply a bias (depuis R2019b)
`batchnorm`	Normalize data across all observations for each channel independently (depuis R2019b)
`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 (depuis R2019b)
`maxpool`	Pool data to maximum value (depuis R2019b)
`maxunpool`	Unpool the output of a maximum pooling operation (depuis R2019b)

Activations

`relu`	Apply rectified linear unit activation (depuis R2019b)
`leakyrelu`	Apply leaky rectified linear unit activation (depuis R2019b)
`gelu`	Apply Gaussian error linear unit (GELU) activation (depuis R2022b)
`softmax`	Apply softmax activation to channel dimension (depuis R2019b)
`sigmoid`	Appliquer l’activation sigmoïde (depuis R2019b)

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.