La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Costruzione e addestramento della rete

Creare reti neurali profonde per dati sequenziali e tabellari e addestrare da zero

Creare nuove reti profonde per attività di classificazione, regressione e previsione, definendo l'architettura della rete e addestrandola da zero.

Dopo aver definito l'architettura della rete, è possibile definire i parametri di addestramento utilizzando la funzione trainingOptions. È quindi possibile addestrare la rete utilizzando la funzione trainnet. Utilizzare la rete addestrata per prevedere le etichette delle classi o le risposte numeriche, nonché per prevedere i passi temporali futuri. Se la funzione trainingOptions non fornisce le opzioni di addestramento necessarie per l’attività, o se i livelli di output non supportano le funzioni di perdita necessarie, è possibile definire un loop di addestramento personalizzato.

È possibile addestrare una rete neurale su una CPU, una GPU, più CPU o GPU, oppure in parallelo su un cluster o nel cloud. L'addestramento su GPU o in parallelo richiede Parallel Computing Toolbox™. L’utilizzo di una GPU richiede un dispositivo GPU supportato (per informazioni sui dispositivi supportati, vedere GPU Computing Requirements (Parallel Computing Toolbox)). Specificare l’ambiente di esecuzione utilizzando la funzione trainingOptions.

Argomenti visualizzati di frequente

Categorie

Costruzione di reti neurali profonde
Costruire reti per dati sequenziali e tabellari utilizzando codice MATLAB^® o in modo interattivo utilizzando Deep Network Designer
Addestramento integrato
Addestrare reti di Deep Learning per dati sequenziali e tabellari utilizzando le funzioni di addestramento integrate
Personalizzazione dei loop di addestramento
Personalizzare i loop di addestramento Deep Learning e le funzioni di perdita per dati sequenziali e tabellari

Esempi in primo piano

Previsione delle serie temporali tramite il Deep Learning

Questo esempio mostra come prevedere i dati delle serie temporali utilizzando una rete con memoria a breve e lungo termine (LSTM).

Apri live script

Classificazione di sequenze utilizzando il Deep Learning

Questo esempio mostra come classificare i dati sequenziali utilizzando una rete con memoria a breve e lungo termine (LSTM).

Apri live script

Classificazione sequenza-sequenza utilizzando il Deep Learning

Questo esempio mostra come classificare ogni fase temporale dei dati sequenziali utilizzando una rete con memoria a breve e lungo termine (LSTM).

Apri live script

Sequence-to-Sequence Regression Using Deep Learning

Predict the remaining useful life (RUL) of engines by using deep learning.

Apri live script

Train Speech Command Recognition Model Using Deep Learning

Train a deep learning model that detects the presence of speech commands in audio. The example uses the Speech Commands Dataset [1] to train a convolutional neural network to recognize a set of commands.

Apri live script

Chemical Process Fault Detection Using Deep Learning

Use simulation data to train a neural network than can detect faults in a chemical process.

Apri live script

Predict Battery State of Charge Using Deep Learning

Train a neural network to predict the state of charge of a battery by using deep learning.

Apri live script