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

Importation, exportation et personnalisation de Deep Learning

Importer, exporter et personnaliser des réseaux de Deep Learning et personnaliser des couches, des boucles d’apprentissage et des fonctions de perte

Importez des réseaux et des graphes de couches de TensorFlow™ 2, TensorFlow-Keras PyTorch^®, le format de modèle ONNX™ (Open Neural Network Exchange) et Caffe. Vous pouvez également exporter des réseaux et des graphes de couches de Deep Learning Toolbox™ vers TensorFlow 2 et au format de modèle ONNX. Pour plus d’informations, veuillez consulter Pretrained Deep Neural Networks.

Vous pouvez définir votre propre couche de Deep Learning personnalisée pour votre problème. Vous pouvez spécifier une fonction de perte (loss) personnalisée avec une couche de sortie personnalisée 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.

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.

Exemples présentés

Train Generative Adversarial Network (GAN)

Train a generative adversarial network to generate images.

Ouvrir le live script

Train Network Using Custom Training Loop

Train a network that classifies handwritten digits with a custom learning rate schedule.

Ouvrir le live script

Train Network Using Model Function

Create and train a deep learning network by using functions rather than a layer graph or a dlnetwork. The advantage of using functions is the flexibility to describe a wide variety of networks. The disadvantage is that you must complete more steps and prepare your data carefully. This example uses images of handwritten digits, with the dual objectives of classifying the digits and determining the angle of each digit from the vertical.

Ouvrir le live script

Train a Twin Network for Dimensionality Reduction

Train a twin neural network with shared weights to compare handwritten digits using dimensionality reduction.

Ouvrir le live script

Train a Twin Neural Network to Compare Images

Train a twin neural network with shared weights to identify similar images of handwritten characters.

Ouvrir le live script

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

Ouvrir le live script

Multilabel Text Classification Using Deep Learning

Classify text data that has multiple independent labels.

Ouvrir le live script

Sequence-to-Sequence Translation Using Attention

Convert decimal strings to Roman numerals using a recurrent sequence-to-sequence encoder-decoder model with attention.

Ouvrir le live script

Sequence-to-Sequence Classification Using 1-D Convolutions

Classify each time step of sequence data using a generic temporal convolutional network (TCN).

Ouvrir le live script

Train Network in Parallel with Custom Training Loop

Set up a custom training loop to train a network in parallel.

Ouvrir le live script

Train Variational Autoencoder (VAE) to Generate Images

Train a deep learning variational autoencoder (VAE) to generate images.

Ouvrir le live script

Train Network Using Cyclical Learning Rate for Snapshot Ensembling

Train a network to classify images of objects using a cyclical learning rate schedule and snapshot ensembling for better test accuracy. In the example, you learn how to use a cosine function for the learning rate schedule, take snapshots of the network during training to create a model ensemble, and add L2-norm regularization (weight decay) to the training loss.

Ouvrir le live script