Fondamentaux du Deep Learning

Importer, créer, entraîner, ajuster, visualiser, vérifier et exporter des réseaux neuronaux profonds

Deep Learning Toolbox™ propose des outils pour chaque étape du workflow de Deep Learning.

Prétraitez les données pour l’apprentissage d’un réseau profond avec des fonctions en ligne de commande et des applications interactives.
Importez des réseaux préentraînés à partir de MATLAB^® ou de plateformes externes comme TensorFlow™ 2, TensorFlow-Keras, PyTorch^® et ONNX™.
Créez des réseaux avec des fonctions en ligne de commande ou de manière interactive avec l’application Deep Network Designer.
Sélectionnez des options d’apprentissage et entraînez les réseaux avec des fonctions d’apprentissage prédéfinies ou des boucles d’apprentissage personnalisées.
Améliorez les performances du réseau en ajustant les hyperparamètres ou en exécutant plusieurs essais avec l’application Experiment Manager.
Visualisez et vérifiez le comportement du réseau pendant et après l’apprentissage.
Exportez des réseaux vers des plateformes externes comme TensorFlow 2 et ONNX.

Sujets fréquemment rencontrés

Deep learning workflow: preprocess data, import or build network, train network, tune network, visualize and verify results, and export network

Exemples présentés

Classer une image avec GoogLeNet

Cet exemple indique comment classer une image avec le réseau de neurones à convolution préentraîné GoogLeNet.

Ouvrir le live script

Prepare Network for Transfer Learning Using Deep Network Designer

Interactively fine-tune a pretrained deep learning network to learn a new image classification task.

Ouvrir le live script

Créer un réseau de neurones simple de Deep Learning pour la classification

Cet exemple montre comment créer et entraîner un réseau de neurones à convolution simple pour la classification Deep Learning.

Ouvrir le live script

Train Convolutional Neural Network for Regression

Train a convolutional neural network to predict the angles of rotation of handwritten digits.

Ouvrir le live script

Prévision de séries temporelles avec le Deep Learning

Cet exemple montre comment prévoir des données de séries temporelles avec un réseau LSTM (long short-term memory).

Ouvrir le live script

Train Generative Adversarial Network (GAN)

Train a generative adversarial network to generate images.

Ouvrir le live script

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

Ouvrir le live script

Create a Deep Learning Experiment for Classification

Train a deep learning network for classification using Experiment Manager.

Depuis R2020a

Ouvrir le script

Grad-CAM Reveals the Why Behind Deep Learning Decisions

Use the gradient-weighted class activation mapping (Grad-CAM) technique to understand why a deep learning network makes its classification decisions. Grad-CAM, invented by Selvaraju and coauthors [1], uses the gradient of the classification score with respect to the convolutional features determined by the network in order to understand which parts of the image are most important for classification. This example uses the GoogLeNet pretrained network for images.

Ouvrir le live script