Main Content

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

Boucles d’apprentissage personnalisées de Deep Learning

Personnaliser les boucles d’apprentissage du Deep Learning et les fonctions de perte

Si la fonction trainingOptions ne propose pas les options d’apprentissage dont vous avez besoin pour votre tâche ou que les couches de sortie personnalisées ne supportent pas les fonctions de perte dont vous avez besoin, vous pouvez définir une boucle d’apprentissage personnalisée. Pour les réseaux qui ne peuvent pas être créés avec des graphes de couches, vous pouvez définir des réseaux personnalisés comme une fonction. Pour en savoir plus, veuillez consulter Define Custom Training Loops, Loss Functions, and Networks.

Fonctions

développer tout

dlnetworkDeep learning network for custom training loops (depuis R2019b)
resetStateReset state parameters of neural network
plotPlot neural network architecture
addInputLayerAdd input layer to network (depuis R2022b)
addLayersAdd layers to layer graph or network
removeLayersRemove layers from layer graph or network
connectLayersConnect layers in layer graph or network
disconnectLayersDisconnect layers in layer graph or network
replaceLayerReplace layer in layer graph or network
summaryPrint network summary (depuis R2022b)
initializeInitialize learnable and state parameters of a dlnetwork (depuis R2021a)
networkDataLayoutDeep learning network data layout for learnable parameter initialization (depuis R2022b)
forwardCompute deep learning network output for training (depuis R2019b)
predictCompute deep learning network output for inference (depuis R2019b)
adamupdateUpdate parameters using adaptive moment estimation (Adam) (depuis R2019b)
rmspropupdate Update parameters using root mean squared propagation (RMSProp) (depuis R2019b)
sgdmupdate Update parameters using stochastic gradient descent with momentum (SGDM) (depuis R2019b)
dlupdate Update parameters using custom function (depuis R2019b)
minibatchqueueCreate mini-batches for deep learning (depuis R2020b)
onehotencodeEncode data labels into one-hot vectors (depuis R2020b)
onehotdecodeDecode probability vectors into class labels (depuis R2020b)
padsequencesPad or truncate sequence data to same length (depuis R2021a)
trainingProgressMonitorMonitor and plot training progress for deep learning custom training loops (depuis R2022b)
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)
dimsÉtiquettes des dimensions de dlarray (depuis R2019b)
finddimFind dimensions with specified label (depuis R2019b)
stripdimsRemove dlarray data format (depuis R2019b)
extractdataExtract data from dlarray (depuis R2019b)
isdlarrayCheck if object is dlarray (depuis R2020b)
functionToLayerGraph(To be removed) Convert deep learning model function to a layer graph (depuis R2019b)
dlconvDeep learning convolution (depuis R2019b)
dltranspconvDeep learning transposed convolution (depuis R2019b)
lstmLong short-term memory (depuis R2019b)
gruGated recurrent unit (depuis R2020a)
attentionDot-product attention (depuis R2022b)
embedEmbed discrete data (depuis R2020b)
fullyconnectSum all weighted input data and apply a bias (depuis R2019b)
dlode45Deep learning solution of nonstiff ordinary differential equation (ODE) (depuis R2021b)
reluApply rectified linear unit activation (depuis R2019b)
leakyreluApply leaky rectified linear unit activation (depuis R2019b)
geluApply Gaussian error linear unit (GELU) activation (depuis R2022b)
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)
softmaxApply softmax activation to channel dimension (depuis R2019b)
sigmoidAppliquer l’activation sigmoïde (depuis R2019b)
sigmoidAppliquer l’activation sigmoïde (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)
ctcConnectionist temporal classification (CTC) loss for unaligned sequence classification (depuis R2021a)
dlaccelerateAccelerate deep learning function for custom training loops (depuis R2021a)
AcceleratedFunctionAccelerated deep learning function (depuis R2021a)
clearCacheClear accelerated deep learning function trace cache (depuis R2021a)

Rubriques

Boucles d’apprentissage personnalisées

Fonctions de modèle

Différenciation automatique

Accélération des fonctions de Deep Learning