Main Content

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

dlnetworkDeep learning neural network (depuis R2019b)
trainingProgressMonitorMonitor and plot training progress for deep learning custom training loops (depuis R2022b)
minibatchqueueCreate mini-batches for deep learning (depuis R2020b)
dlarrayDeep learning array for customization (depuis R2019b)
dlgradientCompute gradients for custom training loops using automatic differentiation (depuis R2019b)
dlfevalEvaluate deep learning model for custom training loops (depuis R2019b)
crossentropyCross-entropy loss for classification tasks (depuis R2019b)
l1lossL1 loss for regression tasks (depuis R2021b)
l2lossL2 loss for regression tasks (depuis R2021b)
huberHuber loss for regression tasks (depuis R2021a)
mseHalf mean squared error (depuis R2019b)
dlconvDeep learning convolution (depuis R2019b)
dltranspconvDeep learning transposed convolution (depuis R2019b)
fullyconnectSum all weighted input data and apply a bias (depuis R2019b)
batchnormNormalize data across all observations for each channel independently (depuis R2019b)
crosschannelnormCross channel square-normalize using local responses (depuis R2020a)
groupnormNormalize data across grouped subsets of channels for each observation independently (depuis R2020b)
instancenormNormalize across each channel for each observation independently (depuis R2021a)
layernormNormalize data across all channels for each observation independently (depuis R2021a)
avgpoolPool data to average values over spatial dimensions (depuis R2019b)
maxpoolPool data to maximum value (depuis R2019b)
maxunpoolUnpool the output of a maximum pooling operation (depuis R2019b)
reluApply rectified linear unit activation (depuis R2019b)
leakyreluApply leaky rectified linear unit activation (depuis R2019b)
geluApply Gaussian error linear unit (GELU) activation (depuis R2022b)
softmaxApply softmax activation to channel dimension (depuis R2019b)
sigmoidAppliquer l’activation sigmoïde (depuis R2019b)

Rubriques

Boucles d’apprentissage personnalisées

Différenciation automatique