Main Content

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

Costruzione di reti neurali profonde

Costruire reti per dati sequenziali e tabellari utilizzando codice MATLAB® o in modo interattivo utilizzando Deep Network Designer

Creare nuove reti profonde per attività come la classificazione, la regressione e la previsione, 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 DesignerProgettare e visualizzare reti di Deep Learning

Funzioni

espandi tutto

Livelli di input

sequenceInputLayerSequence input layer
featureInputLayerFeature input layer (Da R2020b)

Livelli ricorrenti

lstmLayerLong short-term memory (LSTM) layer for recurrent neural network (RNN)
bilstmLayerBidirectional long short-term memory (BiLSTM) layer for recurrent neural network (RNN)
gruLayerGated recurrent unit (GRU) layer for recurrent neural network (RNN) (Da R2020a)
lstmProjectedLayerLong short-term memory (LSTM) projected layer for recurrent neural network (RNN) (Da R2022b)
gruProjectedLayerGated recurrent unit (GRU) projected layer for recurrent neural network (RNN) (Da R2023b)

Livelli transformer

selfAttentionLayerSelf-attention layer (Da R2023a)
attentionLayerDot-product attention layer (Da R2024a)
positionEmbeddingLayerPosition embedding layer (Da R2023b)
sinusoidalPositionEncodingLayerSinusoidal position encoding layer (Da R2023b)
embeddingConcatenationLayerEmbedding concatenation layer (Da R2023b)
indexing1dLayer1-D indexing layer (Da R2023b)

Livelli neurali ODE

neuralODELayerNeural ODE layer (Da R2023b)

Livelli convoluzionali e livelli completamente connessi

convolution1dLayer1-D convolutional layer (Da R2021b)
transposedConv1dLayerTransposed 1-D convolution layer (Da R2022a)
fullyConnectedLayerFully connected layer

Livelli di attivazione e abbandono

reluLayerLivello dell’unità lineare rettificata (ReLU)
leakyReluLayerLeaky Rectified Linear Unit (ReLU) layer
preluLayerParametrized Rectified Linear Unit (PReLU) layer (Da R2024a)
clippedReluLayerClipped Rectified Linear Unit (ReLU) layer
eluLayerExponential linear unit (ELU) layer
tanhLayerHyperbolic tangent (tanh) layer
swishLayerSwish layer (Da R2021a)
geluLayerGaussian error linear unit (GELU) layer (Da R2022b)
sigmoidLayerSigmoid layer (Da R2020b)
softmaxLayerLivello softmax
dropoutLayerDropout layer
spatialDropoutLayerSpatial dropout layer (Da R2024a)
functionLayerFunction layer (Da R2021b)

Livelli di normalizzazione

batchNormalizationLayerBatch normalization layer
groupNormalizationLayerGroup normalization layer (Da R2020b)
instanceNormalizationLayerInstance normalization layer (Da R2021a)
layerNormalizationLayerLayer normalization layer (Da R2021a)
crossChannelNormalizationLayer Channel-wise local response normalization layer

Livelli di pooling

maxPooling1dLayer1-D max pooling layer (Da R2021b)
averagePooling1dLayer1-D average pooling layer (Da R2021b)
globalMaxPooling1dLayer1-D global max pooling layer (Da R2021b)
globalAveragePooling1dLayer1-D global average pooling layer (Da R2021b)
adaptiveAveragePooling2dLayerAdaptive average pooling 2-D layer (Da R2024a)

Livelli di combinazione

additionLayerAddition layer
multiplicationLayerMultiplication layer (Da R2020b)
concatenationLayerConcatenation layer
depthConcatenationLayerDepth concatenation layer
dlnetworkDeep learning neural network
addLayersAdd layers to neural network
removeLayersRemove layers from neural network
replaceLayerReplace layer in neural network
connectLayersConnect layers in neural network
disconnectLayersDisconnect layers in neural network
addInputLayerAdd input layer to network (Da R2022b)
initializeInitialize learnable and state parameters of a dlnetwork (Da R2021a)
networkLayerNetwork Layer (Da R2024a)
expandLayersExpand network layers (Da R2024a)
groupLayersGroup layers into network layers (Da R2024a)
networkDataLayoutDeep learning network data layout for learnable parameter initialization (Da R2022b)
setL2FactorSet L2 regularization factor of layer learnable parameter
getL2FactorGet L2 regularization factor of layer learnable parameter
setLearnRateFactorSet learn rate factor of layer learnable parameter
getLearnRateFactorGet learn rate factor of layer learnable parameter
plotPlot neural network architecture
summaryStampare il riepilogo della rete (Da R2022b)
analyzeNetworkAnalyze deep learning network architecture
checkLayerCheck validity of custom or function layer
isequalCheck equality of neural networks (Da R2021a)
isequalnCheck equality of neural networks ignoring NaN values (Da R2021a)

Argomenti

Livelli integrati

Livelli personalizzati

Esempi in primo piano