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

Personalizzazione dei loop di addestramento

Personalizzare i loop di addestramento Deep Learning e le funzioni di perdita per le reti di immagini

Se la funzione trainingOptions non fornisce le opzioni di addestramento necessarie per l'attività o se è presente una funzione di perdita non supportata dalla funzione trainnet, è possibile definire un loop di addestramento personalizzato. 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.

Funzioni

espandi tutto

Personalizzazione dei loop di addestramento

`dlnetwork`	Deep learning neural network
`trainingProgressMonitor`	Monitor and plot training progress for deep learning custom training loops (Da R2022b)
`minibatchqueue`	Create mini-batches for deep learning (Da R2020b)
`dlarray`	Deep learning array for customization
`dlgradient`	Compute gradients for custom training loops using automatic differentiation
`dlfeval`	Evaluate deep learning model for custom training loops

Operazioni di perdita

`crossentropy`	Cross-entropy loss for classification tasks
`l1loss`	L₁ loss for regression tasks (Da R2021b)
`l2loss`	L₂ loss for regression tasks (Da R2021b)
`huber`	Huber loss for regression tasks (Da R2021a)
`mse`	Half mean squared error

Operazioni di Deep Learning

`dlconv`	Deep learning convolution
`dltranspconv`	Deep learning transposed convolution
`fullyconnect`	Sum all weighted input data and apply a bias
`batchnorm`	Normalize data across all observations for each channel independently
`crosschannelnorm`	Cross channel square-normalize using local responses (Da R2020a)
`groupnorm`	Normalize data across grouped subsets of channels for each observation independently (Da R2020b)
`instancenorm`	Normalize across each channel for each observation independently (Da R2021a)
`layernorm`	Normalize data across all channels for each observation independently (Da R2021a)
`avgpool`	Pool data to average values over spatial dimensions
`maxpool`	Pool data to maximum value
`maxunpool`	Unpool the output of a maximum pooling operation

Attivazioni

`relu`	Applicare l'attivazione dell'unità lineare rettificata
`leakyrelu`	Apply leaky rectified linear unit activation
`gelu`	Apply Gaussian error linear unit (GELU) activation (Da R2022b)
`softmax`	Apply softmax activation to channel dimension
`sigmoid`	Applica l’attivazione sigmoidea

Argomenti

Personalizzazione dei loop di addestramento

Train Deep Learning Model in MATLAB
Learn how to training deep learning models in MATLAB^®.
Define Custom Training Loops, Loss Functions, and Networks
Learn how to define and customize deep learning training loops, loss functions, and models.
Train Network Using Custom Training Loop
This example shows how to train a network that classifies handwritten digits with a custom learning rate schedule.
Monitor Custom Training Loop Progress
Track and plot custom training loop progress.
Train Network with Multiple Outputs
This example shows how to train a deep learning network with multiple outputs that predict both labels and angles of rotations of handwritten digits.
Classify Videos Using Deep Learning with Custom Training Loop
This example shows how to create a network for video classification by combining a pretrained image classification model and a sequence classification network.
Train Image Classification Network Robust to Adversarial Examples
This example shows how to train a neural network that is robust to adversarial examples using fast gradient sign method (FGSM) adversarial training.
Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.