Livelli integrati
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.
App
| Deep Network Designer | Progettare e visualizzare reti di Deep Learning |
Funzioni
Argomenti
- Reti neurali con memoria a breve e lungo termine
Imparare a conoscere le reti neurali con memoria a breve e lungo termine (LSTM).
- 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.
- Addestramento della rete neurale convoluzionale per la regressione
Questo esempio mostra come addestrare una rete neurale convoluzionale per prevedere gli angoli di rotazione delle cifre scritte a mano.
- 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.
- Create and Train Network with Nested Layers
This example shows how to create and train a network with nested layers using network layers. (Da R2024a)
- Neural Network Weight Tying
This example shows how to create and edit neural networks that have layers that share learnable parameters. (Da R2026a)
- Train Neural Network with Weight Tying
This example shows how to train a neural network with weight tying by passing learnable parameters between layers. (Da R2026a)
- Example Deep Learning Network Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
- Choose an AI Model
Explore options for choosing an AI model.
- Generazione di codice MATLAB da Deep Network Designer
Generare codice MATLAB per ricreare la progettazione di una rete in Deep Network Designer.
- Reti con più input e più output
Scoprire come definire e addestrare reti di Deep Learning con più input o più output.
Esempi in primo piano
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).
Convert Classification Network into Regression Network
Convert a trained classification network into a regression network.
Sequence Classification Using 1-D Convolutions
Classify sequence data using a 1-D convolutional neural network.
Build Custom Network for Time Series Modeling of a Virtual Sensor
Use the Time Series Modeler app to build and train a custom network for time series modeling of the nonlinear torque dynamics of a spark-ignition (SI) engine. In this example, you build a custom 1-D convolutional neural network with two branches.
Build Image-to-Image Regression Network Using Deep Network Designer
Use Deep Network Designer to construct an image-to-image regression network for super resolution.
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
Come iniziare a utilizzare Deep Network Designer
Questo esempio mostra come creare una rete neurale ricorrente semplice per la classificazione di sequenze di Deep Learning utilizzando Deep Network Designer.
Come iniziare con la classificazione delle immagini
Questo esempio mostra come creare una rete neurale convoluzionale semplice per la classificazione tramite Deep Learning utilizzando l'applicazione Deep Network Designer. Le reti neurali convoluzionali sono strumenti essenziali per il Deep Learning e sono particolarmente adatte per il riconoscimento di immagini.
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.
Train Network on Image and Feature Data
Train a network that classifies handwritten digits using both image and feature input data.
Interpretable Time Series Forecasting Using a Temporal Fusion Transformer
Forecast electricity usage using an interpretable temporal fusion transformer (TFT).
