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

Fondamenti di Deep Learning

Importare, costruire, addestrare, ottimizzare, verificare ed esportare reti neurali profonde

Deep Learning Toolbox™ fornisce gli strumenti per ciascuna fase del workflow di Deep Learning.

Pre-elaborazione dei dati per l’addestramento di reti profonde utilizzando le funzioni dalla riga di comando e le applicazioni interattive.
Importazione di reti preaddestrate da MATLAB^® o da piattaforme esterne, come TensorFlow™ 2, TensorFlow-Keras, PyTorch^® e ONNX™.
Costruzione di reti utilizzando le funzioni dalla riga di comando o in modo interattivo con l’applicazione Deep Network Designer.
Selezione delle opzioni di addestramento e addestramento delle reti utilizzando le funzioni di addestramento integrate o loop di addestramento personalizzati.
Miglioramento della performance di rete tramite la regolarizzazione degli iperparametri o eseguendo prove multiple con l’applicazione Experiment Manager.
Visualizzazione e verifica del comportamento della rete durante e dopo l’addestramento.
Esportazione delle reti su piattaforme esterne, come TensorFlow 2 e ONNX.

Argomenti visualizzati di frequente

Deep learning workflow: preprocess data, import or build network, train network, tune network, visualize and verify results, and export network

Categorie

Pre-elaborazione dei dati per le reti neurali profonde
Gestire e pre-elaborare i dati per il Deep Learning
Importazione di reti neurali profonde
Caricare reti preaddestrate integrate e importare reti da piattaforme esterne
Costruzione di reti neurali profonde
Costruire reti utilizzando le funzioni dalla riga di comando o in modo interattivo con l’applicazione Deep Network Designer
Addestramento di reti neurali profonde
Addestrare le reti utilizzando le funzioni di addestramento integrate o loop di addestramento personalizzati
Ottimizzazione delle reti neurali profonde
Ottimizzare le opzioni di addestramento in modo programmatico e interattivo, riprendere l’addestramento da un checkpoint ed esaminare gli esempi avversari
Visualizzazione e verifica delle reti neurali profonde
Visualizzare il comportamento della rete, spiegare le predizioni e verificare la solidità
Esportazione di reti neurali profonde
Esportare le reti su piattaforme esterne di Deep Learning

Esempi in primo piano

Classificazione di immagini utilizzando GoogLeNet

Questo esempio mostra come classificare un’immagine con la rete neurale convoluzionale profonda preaddestrata GoogLeNet.

Apri live script

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.

Apri live script

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.

Apri live script

Train Convolutional Neural Network for Regression

Train a convolutional neural network to predict the angles of rotation of handwritten digits.

Apri live script

Previsione delle serie temporali tramite il Deep Learning

Questo esempio mostra come prevedere i dati delle serie temporali utilizzando una rete con memoria a breve e lungo termine (LSTM).

Apri live script

Train Generative Adversarial Network (GAN)

Train a generative adversarial network to generate images.

Apri live script

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

Apri live script

Create a Deep Learning Experiment for Classification

Train a deep learning network for classification using Experiment Manager.

Da R2020a
Apri script

Grad-CAM Reveals the Why Behind Deep Learning Decisions

Use the gradient-weighted class activation mapping (Grad-CAM) technique to understand why a deep learning network makes its classification decisions. Grad-CAM, invented by Selvaraju and coauthors [1], uses the gradient of the classification score with respect to the convolutional features determined by the network in order to understand which parts of the image are most important for classification. This example uses the GoogLeNet pretrained network for images.

Apri live script

Verify Robustness of Deep Learning Neural Network

Verify the adversarial robustness of a deep learning neural network.

Apri live script