Costruzione di reti neurali profonde

Costruire reti neurali per i dati dell’immagine utilizzando codice MATLAB^® o in modo interattivo utilizzando Deep Network Designer

Creare nuove reti profonde per attività come la classificazione e la regressione delle immagini, definendo l’architettura della rete da zero. Costruire reti utilizzando MATLAB o in modo interattivo utilizzando Deep Network Designer.

È possibile utilizzare i livelli integrati per la maggior parte delle attività. Se non è presente un livello integrato necessario per l’attività, è possibile definire un proprio livello personalizzato. È possibile definire livelli personalizzati con parametri apprendibili e di stato. Dopo aver definito un livello personalizzato, è possibile verificare che il livello sia valido, compatibile con la GPU e che produca gradienti definiti correttamente. Per un elenco dei livelli di supportati, vedere List of Deep Learning Layers.

Per i modelli che non possono essere specificati come reti di livelli, è possibile definire il modello come funzione. Per saperne di più, vedere Define Custom Training Loops, Loss Functions, and Networks.

App

Deep Network Designer

Progettare e visualizzare reti di Deep Learning

Funzioni

espandi tutto

Livelli integrati

Livelli di input

`imageInputLayer`	Image input layer
`image3dInputLayer`	3-D image input layer

Livelli convoluzionali e livelli completamente connessi

`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

Livelli transformer

`selfAttentionLayer`	Self-attention layer (Da R2023a)
`attentionLayer`	Dot-product attention layer (Da R2024a)
`positionEmbeddingLayer`	Position embedding layer (Da R2023b)
`sinusoidalPositionEncodingLayer`	Sinusoidal position encoding layer (Da R2023b)
`embeddingConcatenationLayer`	Embedding concatenation layer (Da R2023b)
`indexing1dLayer`	1-D indexing layer (Da R2023b)

Livelli neurali ODE

neuralODELayer Neural ODE layer (Da R2023b)

Livelli di attivazione

`reluLayer`	Livello dell’unità lineare rettificata (ReLU)
`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 (Da R2021a)
`geluLayer`	Gaussian error linear unit (GELU) layer (Da R2022b)
`sigmoidLayer`	Sigmoid layer (Da R2020b)
`softmaxLayer`	Livello softmax
`functionLayer`	Function layer (Da R2021b)

Livelli di normalizzazione

`batchNormalizationLayer`	Batch normalization layer
`groupNormalizationLayer`	Group normalization layer (Da R2020b)
`instanceNormalizationLayer`	Instance normalization layer (Da R2021a)
`layerNormalizationLayer`	Layer normalization layer (Da R2021a)
`crossChannelNormalizationLayer`	Channel-wise local response normalization layer

Livelli di utilità

`dropoutLayer`	Dropout layer
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer (Da R2019b)
`networkLayer`	Network Layer (Da R2024a)

Livelli di pooling e unpooling

`averagePooling2dLayer`	Average pooling layer
`averagePooling3dLayer`	3-D average pooling layer
`adaptiveAveragePooling2dLayer`	Adaptive average pooling 2-D layer (Da R2024a)
`globalAveragePooling2dLayer`	2-D global average pooling layer (Da R2019b)
`globalAveragePooling3dLayer`	3-D global average pooling layer (Da R2019b)
`globalMaxPooling2dLayer`	Global max pooling layer (Da R2020a)
`globalMaxPooling3dLayer`	3-D global max pooling layer (Da R2020a)
`maxPooling2dLayer`	Max pooling layer
`maxPooling3dLayer`	3-D max pooling layer
`maxUnpooling2dLayer`	Max unpooling layer

Livelli di combinazione

`additionLayer`	Addition layer
`multiplicationLayer`	Multiplication layer (Da R2020b)
`concatenationLayer`	Concatenation layer
`depthConcatenationLayer`	Depth concatenation layer

Costruzione della rete

`dlnetwork`	Deep learning neural network (Da R2019b)
`imagePretrainedNetwork`	Pretrained neural network for images (Da R2024a)
`resnetNetwork`	2-D residual neural network (Da R2024a)
`resnet3dNetwork`	3-D residual neural network (Da R2024a)
`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
`addInputLayer`	Add input layer to network (Da R2022b)
`expandLayers`	Expand network layers (Da R2024a)
`groupLayers`	Group layers into network layers (Da R2024a)
`initialize`	Initialize learnable and state parameters of a `dlnetwork` (Da R2021a)
`networkDataLayout`	Deep learning network data layout for learnable parameter initialization (Da R2022b)
`setL2Factor`	Set L₂ regularization factor of layer learnable parameter
`getL2Factor`	Get L₂ regularization factor of layer learnable parameter
`setLearnRateFactor`	Set learn rate factor of layer learnable parameter
`getLearnRateFactor`	Get learn rate factor of layer learnable parameter

Informazioni sulla rete

`plot`	Plot neural network architecture
`summary`	Stampare il riepilogo della rete (Da R2022b)
`analyzeNetwork`	Analyze deep learning network architecture
`checkLayer`	Check validity of custom or function layer
`isequal`	Check equality of neural networks (Da R2021a)
`isequaln`	Check equality of neural networks ignoring `NaN` values (Da R2021a)

Argomenti

Livelli integrati

Creazione di una rete neurale semplice di Deep Learning per la classificazione
Questo esempio mostra come creare e addestrare una rete neurale convoluzionale semplice per la classificazione tramite 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.
Build Networks with Deep Network Designer
Interactively build and edit deep learning networks in Deep Network Designer.
Deep Learning in MATLAB
Scoprire le capacità del Deep Learning in MATLAB utilizzando le reti neurali convoluzionali per la classificazione e la regressione, incluse le reti preaddestrate e il transfer learning, nonché l’addestramento su GPU, CPU, cluster e cloud.
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.
Multiple-Input and Multiple-Output Networks
Learn how to define and train deep learning networks with multiple inputs or multiple outputs.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.

Livelli personalizzati

Define Custom Deep Learning Layers
Learn how to define custom deep learning layers.
Check Custom Layer Validity
Learn how to check the validity of custom deep learning layers.

Esempi in primo piano

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.

Apri live script