Reti preaddestrate integrate
Deep Learning Toolbox™ fornisce diverse reti preaddestrate adatte al transfer learning. Il transfer learning consiste nel prendere una rete preaddestrata di Deep Learning e perfezionarla per apprendere una nuova attività. Il transfer learning è di solito più veloce e semplice rispetto all'addestramento di una rete da zero. È possibile trasferire rapidamente le feature apprese a una nuova attività utilizzando un numero minore di dati. Per scoprire le reti preaddestrate disponibili, vedere Deep Network Designer. Per ulteriori informazioni, vedere Reti neurali profonde preaddestrate.
App
| Deep Network Designer | Progettare e visualizzare reti di Deep Learning |
Funzioni
imagePretrainedNetwork | Pretrained neural network for images (Da R2024a) |
Blocchi
Argomenti
- Classify Webcam Images Using Deep Learning
This example shows how to classify images from a webcam in real time using the pretrained deep convolutional neural network GoogLeNet.
- Retrain Neural Network to Classify New Images
This example shows how to retrain a pretrained SqueezeNet neural network to perform classification on a new collection of images.
- Reti neurali profonde preaddestrate
Apprendere come scaricare e utilizzare le reti neurali convoluzionali preaddestrate per la classificazione, il transfer learning e l’estrazione di feature.
- Deep Learning in MATLAB
Scopri 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.
Informazioni complementari
Esempi in primo piano
Classificazione di immagini utilizzando GoogLeNet
Questo esempio mostra come classificare un’immagine con la rete neurale convoluzionale profonda preaddestrata GoogLeNet.
Preparazione della rete per il transfer learning con Deep Network Designer
Eseguire in modo interattivo il perfezionamento di una rete preaddestrata di Deep Learning per apprendere una nuova attività di classificazione delle immagini.
Estrazione delle feature dell'immagine utilizzando la rete preaddestrata
Questo esempio mostra come estrarre le feature dell'immagine apprese da una rete neurale convoluzionale preaddestrata e come utilizzare tali feature per addestrare un classificatore di immagini. L'estrazione di feature è il modo più semplice e veloce per utilizzare la potenza rappresentativa delle reti profonde preaddestrate. Ad esempio, è possibile addestrare una macchina a vettori di supporto (SVM) utilizzando fitcecoc (Statistics and Machine Learning Toolbox™) sulle feature estratte. Considerando che l’estrazione di feature richiede solo un singolo passaggio attraverso i dati, costituisce un buon punto di partenza se non si dispone di una GPU con cui accelerare l’addestramento della rete.
Build Simple App for Deep Learning Inference Using App Designer
Use App Designer to create an app that can classify images using a deep neural network. You can modify the app for other types of deep learning inference, for example, sequence classification or image regression.
Classify Image in Simulink Using SqueezeNet
Classify an image in Simulink® using the Classify block.
Adapt Pretrained Audio Network for New Data Using Deep Network Designer
Interactively adapt a pretrained network to classify new audio signals using Deep Network Designer.
Convert Classification Network into Regression Network
Convert a trained classification network into a regression network.
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
Classify Videos Using Deep Learning
Create a network for video classification by combining a pretrained image classification model and an LSTM network.
