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

Couches personnalisées de Deep Learning

Définir des couches personnalisées pour le Deep Learning

Vous pouvez définir votre propre couche de Deep Learning personnalisée pour votre problème. Vous pouvez spécifier une fonction de perte personnalisée avec des couches de sortie personnalisées et définir des couches personnalisées avec ou sans paramètres entraînables. Après avoir défini une couche personnalisée, vous pouvez vérifier que la couche est valide, compatible GPU et sort correctement les gradients définis.

Fonctions

développer tout

Couches personnalisées

`functionLayer`	Function layer (depuis R2021b)
`checkLayer`	Check validity of custom or function layer
`setLearnRateFactor`	Set learn rate factor of layer learnable parameter
`setL2Factor`	Set L₂ regularization factor of layer learnable parameter
`getLearnRateFactor`	Get learn rate factor of layer learnable parameter
`getL2Factor`	Get L₂ regularization factor of layer learnable parameter
`networkDataLayout`	Deep learning network data layout for learnable parameter initialization (depuis R2022b)

Assemblage d’un réseau

`findPlaceholderLayers`	Find placeholder layers in network architecture imported from Keras or ONNX
`replaceLayer`	Replace layer in neural network
`assembleNetwork`	(Not recommended) Assemble deep learning network from pretrained layers
`PlaceholderLayer`	Layer replacing an unsupported Keras or ONNX layer

Rubriques

Présentation générale sur les couches personnalisées

Define Custom Deep Learning Layers
Learn how to define custom deep learning layers.
Define Custom Deep Learning Output Layers
Learn how to define custom deep learning output layers.

Couches intermédiaires personnalisées

Define Custom Deep Learning Layer with Learnable Parameters
This example shows how to define a SReLU layer and use it in a convolutional neural network.
Define Custom Deep Learning Layer with Multiple Inputs
This example shows how to define a custom weighted addition layer and use it in a convolutional neural network.
Define Custom Deep Learning Layer with Formatted Inputs
This example shows how to define a custom layer with formatted dlarray inputs.
Define Custom Recurrent Deep Learning Layer
This example shows how to define a peephole LSTM layer and use it in a neural network.
Specify Custom Layer Backward Function
This example shows how to define a SReLU layer and specify a custom backward function.
Custom Layer Function Acceleration
Accelerate custom layer forward and predict functions by caching and reusing traces.
Define Custom Deep Learning Layer for Code Generation
This example shows how to define a SReLU layer that supports code generation.

Couches de sortie personnalisées

Define Custom Classification Output Layer
This example shows how to define a custom classification output layer with sum of squares error (SSE) loss and use it in a convolutional neural network.
Define Custom Regression Output Layer
This example shows how to define a custom regression output layer with mean absolute error (MAE) loss and use it in a convolutional neural network.
Specify Custom Output Layer Backward Loss Function
This example shows how to define a custom classification output layer with sum of squares error (SSE) loss and specify a custom backward loss function.

Composition du réseau et couches imbriquées

Deep Learning Network Composition
Define custom layers that contain neural networks.
Define Nested Deep Learning Layer Using Network Composition
This example shows how to define a nested custom deep learning layer.
Train Network with Custom Nested Layers
This example shows how to create and train a network with nested layers defined using network composition.

Vérifier la validité des couches

Check Custom Layer Validity
Learn how to check the validity of custom deep learning layers.