Contenu principal

Cette page s'applique à la version précédente. La page correspondante en anglais a été supprimée de la version actuelle.

Boucles d’apprentissage personnalisées

Personnaliser les boucles d’apprentissage du Deep Learning et les fonctions de perte pour des données séquentielles et tabulaires

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
trainingProgressMonitorMonitor and plot training progress for deep learning custom training loops (depuis R2022b)
minibatchqueueCreate mini-batches for deep learning
padsequencesPad or truncate sequence data to same length (depuis R2021a)
dlarrayDeep learning array for customization
dlgradientCompute gradients for custom training loops using automatic differentiation
dljacobianJacobian matrix deep learning operation (depuis R2024b)
dldivergenceDivergence of deep learning data (depuis R2024b)
dllaplacianLaplacian of deep learning data (depuis R2024b)
dlfevalEvaluate deep learning model for custom training loops
crossentropyCross-entropy loss for classification tasks
indexcrossentropyIndex cross-entropy loss for classification tasks (depuis R2024b)
l1lossL1 loss for regression tasks (depuis R2021b)
l2lossL2 loss for regression tasks (depuis R2021b)
huberHuber loss for regression tasks (depuis R2021a)
ctcConnectionist temporal classification (CTC) loss for unaligned sequence classification (depuis R2021a)
mseHalf mean squared error
dlconvDeep learning convolution
dltranspconvDeep learning transposed convolution
lstmLong short-term memory
gruGated recurrent unit
attentionDot-product attention (depuis R2022b)
embedEmbed discrete data
fullyconnectSum all weighted input data and apply a bias
dlode45Deep learning solution of nonstiff ordinary differential equation (ODE) (depuis R2021b)
batchnormNormalize data across all observations for each channel independently
crosschannelnormCross channel square-normalize using local responses
groupnormNormalize data across grouped subsets of channels for each observation independently
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
maxpoolPool data to maximum value
maxunpoolUnpool the output of a maximum pooling operation
reluAppliquer une activation ReLU (Rectified Linear Unit)
leakyreluApply leaky rectified linear unit activation
geluApply Gaussian error linear unit (GELU) activation (depuis R2022b)
softmaxApply softmax activation to channel dimension
sigmoidAppliquer l’activation sigmoïde

Rubriques

Boucles d’apprentissage personnalisées

Différenciation automatique

Sélection d՚exemples