Main Content

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

Réseaux préentraînés

Utiliser des réseaux d’images préentraînés pour apprendre rapidement de nouvelles tâches

Utilisez l’apprentissage par transfert pour mettre à profit les connaissances offertes par un réseau préentraîné afin d’apprendre de nouveaux patterns dans de nouvelles images. L’ajustement précis d’un réseau de classification d’images préentraîné avec l’apprentissage par transfert est généralement beaucoup plus rapide et facile que l’apprentissage à partir de zéro. L’utilisation de réseaux profonds préentraînés vous permet de créer rapidement des modèles pour de nouvelles tâches sans avoir à définir et à entraîner un nouveau réseau, à disposer de millions d'images ou d'un puissant GPU. Pour explorer les réseaux préentraînés disponibles, utilisez Deep Network Designer.

Applications

Deep Network DesignerConcevoir et visualiser des réseaux de Deep Learning

Fonctions

développer tout

trainingOptionsOptions d’un réseau de neurones d’apprentissage pour le Deep Learning
trainnetTrain deep learning neural network (depuis R2023b)
analyzeNetworkAnalyze deep learning network architecture
imagePretrainedNetworkPretrained neural network for images (depuis R2024a)
predictCompute deep learning network output for inference
minibatchpredictMini-batched neural network prediction (depuis R2024a)
scores2labelConvert prediction scores to labels (depuis R2024a)
confusionchartCreate confusion matrix chart for classification problem
sortClassesSort classes of confusion matrix chart

Blocs

développer tout

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

Rubriques

Exemples présentés