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

Réseaux profonds pour les images

Créer des réseaux de neurones et les entraîner à partir de zéro

Créez de nouveaux réseaux profonds pour des tâches de classification et de régression sur des images en définissant l’architecture du réseau et en entraînant le réseau à partir de zéro.

Après avoir défini l’architecture du réseau, vous pouvez définir des paramètres d’apprentissage avec la fonction trainingOptions. Vous pouvez entraîner le réseau avec trainNetwork. Utilisez le réseau entraîné pour prédire des étiquettes de classe ou des réponses numériques.

Vous pouvez entraîner un réseau de neurones à convolution sur un CPU, un GPU, plusieurs CPU ou GPU, ou en parallèle sur un cluster ou dans le cloud. L’apprentissage sur un GPU ou en parallèle nécessite Parallel Computing Toolbox™. L’utilisation d’un GPU nécessite un dispositif GPU supporté (pour plus d'information sur les dispositifs supportés, veuillez consulter GPU Computing Requirements (Parallel Computing Toolbox)). Spécifiez l’environnement d’exécution avec la fonction trainingOptions.

Applications

Deep Network Designer

Concevoir, visualiser et entraîner des réseaux de Deep Learning

Fonctions

développer tout

Entraîner le réseau

`trainingOptions`	Options d’un réseau de neurones d’apprentissage pour le Deep Learning
`trainNetwork`	(Not recommended) Train neural network
`analyzeNetwork`	Analyze deep learning network architecture

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

Couches de sortie

`sigmoidLayer`	Sigmoid layer (depuis R2020b)
`softmaxLayer`	Couche softmax
`classificationLayer`	(Not recommended) Classification output layer
`regressionLayer`	Couche de sortie de régression

Construire le réseau

`layerGraph`	(Not recommended) Graph of network layers for deep learning
`plot`	Plot neural network architecture
`addLayers`	Add layers to neural network
`removeLayers`	Remove layers from neural network
`replaceLayer`	Replace layer in neural network
`connectLayers`	Connect layers in neural network
`disconnectLayers`	Disconnect layers in neural network
`DAGNetwork`	(Not recommended) Directed acyclic graph (DAG) network for deep learning
`resnetLayers`	(Not recommended) Create 2-D residual network (depuis R2021b)
`resnet3dLayers`	(Not recommended) Create 3-D residual network (depuis R2021b)
`isequal`	Check equality of neural networks (depuis R2021a)
`isequaln`	Check equality of neural networks ignoring `NaN` values (depuis R2021a)

Prédiction

`classify`	(Not recommended) Classify data using trained deep learning neural network
`predict`	(Not recommended) Predict responses using trained deep learning neural network
`activations`	(Not recommended) Compute deep learning network layer activations
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

Blocs

développer tout

Réseaux de neurones profonds

Predict	Predict responses using a trained deep learning neural network (depuis R2020b)
Image Classifier	Classer des données avec un réseau de neurones entraîné pour le Deep Learning (depuis R2020b)

Rubriques

Créer un réseau 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.
Train Convolutional Neural Network for Regression
This example shows how to train a convolutional neural network to predict the angles of rotation of handwritten digits.
List of Deep Learning Layers
Discover all the deep learning layers in MATLAB^®.
Specify Layers of Convolutional Neural Network
Learn about how to specify layers of a convolutional neural network (ConvNet).
Build Networks with Deep Network Designer
Interactively build and edit deep learning networks in Deep Network Designer.
Set Up Parameters and Train Convolutional Neural Network
Learn how to set up training parameters for a convolutional neural network.
Deep Learning in MATLAB
Discover deep learning capabilities in MATLAB using convolutional neural networks for classification and regression, including pretrained networks and transfer learning, and training on GPUs, CPUs, clusters, and clouds.
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.

Exemples présentés

Train Residual Network for Image Classification

Create a deep learning neural network with residual connections and train it on CIFAR-10 data. Residual connections are a popular element in convolutional neural network architectures. Using residual connections improves gradient flow through the network and enables training of deeper networks.

Ouvrir le live script

Convert Classification Network into Regression Network

Convert a trained classification network into a regression network.

Ouvrir le live script

Train Network on Image and Feature Data

Train a network that classifies handwritten digits using both image and feature input data.

Ouvrir le live script

Build Image-to-Image Regression Network Using Deep Network Designer

Use Deep Network Designer to construct an image-to-image regression network for super resolution.

Ouvrir le live script

Multilabel Image Classification Using Deep Learning

Use transfer learning to train a deep learning model for multilabel image classification.

Ouvrir le live script

Lane and Vehicle Detection in Simulink Using Deep Learning

Use deep convolutional neural networks inside a Simulink® model to perform lane and vehicle detection. This example takes the frames from a traffic video as an input, outputs two lane boundaries that correspond to the left and right lanes of the ego vehicle, and detects vehicles in the frame.

Ouvrir le script

Classify ECG Signals in Simulink Using Deep Learning

Use wavelet transforms and a deep learning network within a Simulink (R) model to classify ECG signals. This example uses the pretrained convolutional neural network from the Classify Time Series Using Wavelet Analysis and Deep Learning example of the Wavelet Toolbox™ to classify ECG signals based on images from the CWT of the time series data. For information on training, see Classify Time Series Using Wavelet Analysis and Deep Learning (Wavelet Toolbox).

Ouvrir le script