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

Personnalisation de réseaux profonds pour les images

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

Boucles d’apprentissage personnalisées

`dlnetwork`	Deep learning neural network (depuis R2019b)
`forward`	Compute deep learning network output for training (depuis R2019b)
`predict`	Compute deep learning network output for inference (depuis R2019b)
`adamupdate`	Update 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)
`minibatchqueue`	Create mini-batches for deep learning (depuis R2020b)
`onehotencode`	Encode data labels into one-hot vectors (depuis R2020b)
`onehotdecode`	Decode probability vectors into class labels (depuis R2020b)
`initialize`	Initialize learnable and state parameters of a `dlnetwork` (depuis R2021a)
`plot`	Plot neural network architecture
`addLayers`	Add layers to neural network
`removeLayers`	Remove layers from neural network
`connectLayers`	Connect layers in neural network
`disconnectLayers`	Disconnect layers in neural network
`replaceLayer`	Replace layer in neural network
`summary`	Print network summary (depuis R2022b)
`trainingProgressMonitor`	Monitor and plot training progress for deep learning custom training loops (depuis R2022b)

Différenciation automatique

`dlarray`	Deep learning array for customization (depuis R2019b)
`dlgradient`	Compute gradients for custom training loops using automatic differentiation (depuis R2019b)
`dlfeval`	Evaluate deep learning model for custom training loops (depuis R2019b)

Couches

Couches d’entrée

`imageInputLayer`	Image input layer
`image3dInputLayer`	3-D image input layer

Couches de convolution et couches entièrement connectées

`convolution2dLayer`	2-D convolutional layer
`convolution3dLayer`	3-D convolutional layer
`groupedConvolution2dLayer`	2-D grouped convolutional layer
`transposedConv2dLayer`	Transposed 2-D convolution layer
`transposedConv3dLayer`	Transposed 3-D convolution layer
`fullyConnectedLayer`	Fully connected layer

Couches d’activation

`reluLayer`	Couche ReLU (Rectified Linear Unit)
`leakyReluLayer`	Leaky Rectified Linear Unit (ReLU) layer
`clippedReluLayer`	Clipped Rectified Linear Unit (ReLU) layer
`eluLayer`	Exponential linear unit (ELU) layer
`tanhLayer`	Hyperbolic tangent (tanh) layer
`swishLayer`	Swish layer (depuis R2021a)
`geluLayer`	Gaussian error linear unit (GELU) layer (depuis R2022b)
`functionLayer`	Function layer (depuis R2021b)

Couches de normalisation, de dropout et de cropping

`batchNormalizationLayer`	Batch normalization layer
`groupNormalizationLayer`	Group normalization layer (depuis R2020b)
`instanceNormalizationLayer`	Instance normalization layer (depuis R2021a)
`layerNormalizationLayer`	Layer normalization layer (depuis R2021a)
`crossChannelNormalizationLayer`	Channel-wise local response normalization layer
`dropoutLayer`	Dropout layer
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer (depuis R2019b)

Couches de pooling et d’unpooling

`averagePooling2dLayer`	Average pooling layer
`averagePooling3dLayer`	3-D average pooling layer
`globalAveragePooling2dLayer`	2-D global average pooling layer (depuis R2019b)
`globalAveragePooling3dLayer`	3-D global average pooling layer (depuis R2019b)
`globalMaxPooling2dLayer`	Global max pooling layer (depuis R2020a)
`globalMaxPooling3dLayer`	3-D global max pooling layer (depuis R2020a)
`maxPooling2dLayer`	Max pooling layer
`maxPooling3dLayer`	3-D max pooling layer
`maxUnpooling2dLayer`	Max unpooling layer

Couches de combinaison

`additionLayer`	Addition layer
`multiplicationLayer`	Multiplication layer (depuis R2020b)
`concatenationLayer`	Concatenation layer
`depthConcatenationLayer`	Depth concatenation layer

Rubriques

Train Network Using Custom Training Loop
This example shows how to train a network that classifies handwritten digits with a custom learning rate schedule.
Multiple-Input and Multiple-Output Networks
Learn how to define and train deep learning networks with multiple inputs or multiple outputs.
Train Network with Multiple Outputs
This example shows how to train a deep learning network with multiple outputs that predict both labels and angles of rotations of handwritten digits.
Train a Twin Neural Network to Compare Images
This example shows how to train a twin neural network with shared weights to identify similar images of handwritten characters.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.