Workflows de caractéristiques séquentielles et numériques

Pour les données séquentielles, tabulaires et de séries temporelles, créez et entraînez des réseaux de neurones multicouches Perceptron (MLP), Long Short-Term Memory (LSTM) et à convolution (CNN). Vous pouvez créer et entraîner des réseaux de neurones pour des tâches de classification, de régression et de prévision. Vous pouvez également entraîner des réseaux de neurones sur des données texte avec des couches de word embedding (vectorisation de mots) nécessitant Text Analytics Toolbox™ ou sur des données audio avec des spectrogrammes nécessitant Audio Toolbox™.

Entraînez des réseaux de neurones sequence-to-one et sequence-to-sequence en utilisant la fonction trainnet avec la fonction trainingOptions ou définissez une boucle d’apprentissage personnalisée avec des objets dlnetwork et des fonctions d’objet dlarray.

Vous pouvez entraîner un réseau de neurones sur un CPU, un GPU, plusieurs CPU ou GPU ou bien 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.

Vous pouvez surveiller la progression de l’apprentissage avec des tracés prédéfinis des fonctions de précision et de perte pour votre réseau. Vous pouvez également analyser des réseaux entraînés avec des techniques de visualisation comme Grad-CAM.

Si vous disposez d’un réseau entraîné, vous pouvez vérifier sa robustesse, calculer ses limites de valeur en sortie et trouver des exemples contradictoires. Vous pouvez également utiliser un réseau entraîné dans des modèles Simulink^® en utilisant des blocs de la bibliothèque Deep Neural Networks.