Livelli personalizzati
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
Panoramica sui 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. - View Autogenerated Custom Layers Using Deep Network Designer
This example shows how to import a pretrained TensorFlow™ network and view the autogenerated layers in Deep Network Designer.
Definizione dei livelli personalizzati
- Define Custom Deep Learning Layer with Learnable Parameters
This example shows how to define a SReLU layer and use it in a convolutional neural network. - Define Custom Deep Learning Layer with Multiple Inputs
This example shows how to define a custom weighted addition layer and use it in a convolutional neural network. - Define Custom Deep Learning Layer with Formatted Inputs
This example shows how to define a custom layer with formatteddlarrayinputs. - Define Custom Recurrent Deep Learning Layer
This example shows how to define a peephole LSTM layer and use it in a neural network. - Specify Custom Layer Backward Function
This example shows how to define a SReLU layer and specify a custom backward function. - Custom Layer Function Acceleration
Accelerate custom layer forward and predict functions by caching and reusing traces. - Define Custom Deep Learning Layer for Code Generation
This example shows how to define a SReLU layer that supports code generation.
Composizione della rete e livelli annidati
- Deep Learning Network Composition
Define custom layers that contain neural networks. - Define Nested Deep Learning Layer Using Network Composition
This example shows how to define a nested custom deep learning layer. - Train Network with Custom Nested Layers
This example shows how to create and train a network with nested layers defined using network composition. - Weight Tying Using Nested Layer
This example shows how to implement weight tying using a nested layer. (Da R2024a)
Esempi in primo piano
Convert Convolutional Network to Spiking Neural Network
Convert a conventional convolutional neural network (CNN) to a spiking neural network (SNN).
Train Bayesian Neural Network
Train a Bayesian neural network (BNN) for image regression using Bayes by Backpropagation.
Train Variational Autoencoder (VAE) to Generate Images
Train a deep learning variational autoencoder (VAE) to generate images.
