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

Opérations

Développer des fonctions de Deep Learning personnalisées

Les couches prédéfinies conviennent à la plupart des tâches. Si aucune couche prédéfinie ne correspond aux besoins de votre tâche, vous pouvez définir votre propre couche personnalisée. Pour ce faire, vous pouvez utiliser des paramètres entraînables et des paramètres d’état. Après avoir défini une couche personnalisée, vous pouvez vérifier qu’elle est valide, compatible GPU et renvoie des gradients correctement définis en sortie. Pour en savoir plus, veuillez consulter Define Custom Deep Learning Layers. Pour une liste des couches supportées, veuillez consulter List of Deep Learning Layers.

Si la fonction trainingOptions ne propose pas les options d’apprentissage dont vous avez besoin pour votre tâche ou si vous avez une fonction de perte non supportée par la fonction trainnet, vous pouvez définir une boucle d’apprentissage personnalisée. Si un modèle ne peut pas être spécifié comme un réseau de couches, vous pouvez le définir comme une fonction. Pour en savoir plus, veuillez consulter Define Custom Training Loops, Loss Functions, and Networks.

Utilisez des opérations de Deep Learning pour développer du code MATLAB^® pour des couches personnalisées, des boucles d’apprentissage et des fonctions de modèle.

Fonctions

développer tout

Différenciation automatique

`dlarray`	Deep learning array for customization
`dims`	Étiquettes des dimensions de `dlarray`
`finddim`	Find dimensions with specified label
`stripdims`	Remove `dlarray` data format
`extractdata`	Extract data from `dlarray`
`isdlarray`	Check if object is `dlarray` (depuis R2020b)

Opérations de Deep Learning

`dlconv`	Deep learning convolution
`dltranspconv`	Deep learning transposed convolution
`lstm`	Long short-term memory
`gru`	Gated recurrent unit (depuis R2020a)
`attention`	Dot-product attention (depuis R2022b)
`embed`	Embed discrete data (depuis R2020b)
`fullyconnect`	Sum all weighted input data and apply a bias
`dlode45`	Deep learning solution of nonstiff ordinary differential equation (ODE) (depuis R2021b)
`batchnorm`	Normalize data across all observations for each channel independently
`crosschannelnorm`	Cross channel square-normalize using local responses (depuis R2020a)
`groupnorm`	Normalize data across grouped subsets of channels for each observation independently (depuis R2020b)
`instancenorm`	Normalize across each channel for each observation independently (depuis R2021a)
`layernorm`	Normalize data across all channels for each observation independently (depuis R2021a)
`avgpool`	Pool data to average values over spatial dimensions
`maxpool`	Pool data to maximum value
`maxunpool`	Unpool the output of a maximum pooling operation

Activations

`relu`	Apply rectified linear unit activation
`leakyrelu`	Apply leaky rectified linear unit activation
`gelu`	Apply Gaussian error linear unit (GELU) activation (depuis R2022b)
`softmax`	Apply softmax activation to channel dimension
`sigmoid`	Appliquer l’activation sigmoïde

Opérations de perte

`crossentropy`	Cross-entropy loss for classification tasks
`l1loss`	L₁ loss for regression tasks (depuis R2021b)
`l2loss`	L₂ loss for regression tasks (depuis R2021b)
`huber`	Huber loss for regression tasks (depuis R2021a)
`mse`	Half mean squared error
`ctc`	Connectionist temporal classification (CTC) loss for unaligned sequence classification (depuis R2021a)

Accélération de fonction

`dlaccelerate`	Accelerate deep learning function for custom training loops (depuis R2021a)
`AcceleratedFunction`	Accelerated deep learning function (depuis R2021a)
`clearCache`	Clear accelerated deep learning function trace cache (depuis R2021a)

Rubriques

Différenciation automatique

List of Functions with dlarray Support
View the list of functions that support dlarray objects.
Automatic Differentiation Background
Learn how automatic differentiation works.
Use Automatic Differentiation In Deep Learning Toolbox
How to use automatic differentiation in deep learning.
Define Custom Deep Learning Operations
Learn how to define custom deep learning operation.
Specify Custom Operation Backward Function
This example shows how to define the SReLU operation as a differentiable function and specify a custom backward function.
Train Model Using Custom Backward Function
This example shows how to train a deep learning model that contains an operation with a custom backward function.

Fonctions de modèle

Train Network Using Model Function
This example shows how to create and train a deep learning network by using functions rather than a layer graph or a dlnetwork.
Update Batch Normalization Statistics Using Model Function
This example shows how to update the network state in a network defined as a function.
Make Predictions Using Model Function
This example shows how to make predictions using a model function by splitting data into mini-batches.
Initialize Learnable Parameters for Model Function
Learn how to initialize learnable parameters for custom training loops using a model function.

Accélération des fonctions de Deep Learning

Deep Learning Function Acceleration for Custom Training Loops
Accelerate model functions and model loss functions for custom training loops by caching and reusing traces.
Accelerate Custom Training Loop Functions
This example shows how to accelerate deep learning custom training loop and prediction functions.
Check Accelerated Deep Learning Function Outputs
This example shows how to check that the outputs of accelerated functions match the outputs of the underlying function.
Evaluate Performance of Accelerated Deep Learning Function
This example shows how to evaluate the performance gains of using an accelerated function.

Informations connexes

Exemples présentés

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

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

Dynamical System Modeling Using Neural ODE

Train a neural network with neural ordinary differential equations (ODEs) to learn the dynamics of a physical system.

Ouvrir le live script

Node Classification Using Graph Convolutional Network

Classify nodes in a graph using a graph convolutional network (GCN).

Ouvrir le live script

Multilabel Graph Classification Using Graph Attention Networks

Classify graphs that have multiple independent labels using graph attention networks (GATs).

Ouvrir le live script

Train Latent ODE Network with Irregularly Sampled Time-Series Data

Train a latent ordinary differential equation (ODE) autoencoder with time-series data that is sampled at irregular time intervals.

Ouvrir le live script

Multivariate Time Series Anomaly Detection Using Graph Neural Network

Detect anomalies in multivariate time series data using a graph neural network (GNN).

Ouvrir le live script