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

Importazione, esportazione e personalizzazione del Deep Learning

Importare, esportare e personalizzare reti di Deep Learning e personalizzare i livelli, i loop di addestramento e le funzioni di perdita

Importare reti e grafici di livello da TensorFlow™ 2, TensorFlow-Keras, PyTorch^®, dal formato di modello ONNX™ (Open Neural Network Exchange) e da Caffe. È inoltre possibile esportare reti e grafici di livello Deep Learning Toolbox™ su TensorFlow 2 e nel formato di modello ONNX. Per ulteriori informazioni, vedere Reti neurali deep preaddestrate.

È possibile definire un livello di apprendimento profondo personalizzato per il proprio problema. È possibile specificare una funzione di perdita personalizzata utilizzando un livello di output personalizzato e definire livelli personalizzati con o senza parametri apprendibili. Dopo aver definito un livello personalizzato, è possibile verificare che il livello sia valido, compatibile con la GPU e che produca gradienti definiti correttamente.

Se la funzione trainingOptions non fornisce le opzioni di addestramento necessarie per l’attività, o se i livelli di output non supportano le funzioni di perdita necessarie, è possibile definire un loop di addestramento personalizzato. Per le reti che non possono essere create utilizzando i grafici di livello, è possibile definire reti personalizzate come una funzione. Per saperne di più, vedere Define Custom Training Loops, Loss Functions, and Networks.

Categorie

Importazione ed esportazione di Deep Learning
Importare ed esportare reti da/a piattaforme esterne di Deep Learning
Livelli personalizzati di Deep Learning
Definire i livelli personalizzati di Deep Learning
Loop di addestramento personalizzati di Deep Learning
Personalizzare i loop di addestramento Deep Learning e le funzioni di perdita

Esempi in primo piano

Train Generative Adversarial Network (GAN)

Train a generative adversarial network to generate images.

Apri live script

Train Network Using Custom Training Loop

Train a network that classifies handwritten digits with a custom learning rate schedule.

Apri live script

Train Network Using Model Function

Create and train a deep learning network by using functions rather than a layer graph or a dlnetwork. The advantage of using functions is the flexibility to describe a wide variety of networks. The disadvantage is that you must complete more steps and prepare your data carefully. This example uses images of handwritten digits, with the dual objectives of classifying the digits and determining the angle of each digit from the vertical.

Apri live script

Train a Siamese Network for Dimensionality Reduction

Train a Siamese network to compare handwritten digits using dimensionality reduction.

Apri live script

Train a Siamese Network to Compare Images

Train a Siamese network to identify similar images of handwritten characters.

Apri live script

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

Apri live script

Multilabel Text Classification Using Deep Learning

Classify text data that has multiple independent labels.

Apri live script

Sequence-to-Sequence Translation Using Attention

Convert decimal strings to Roman numerals using a recurrent sequence-to-sequence encoder-decoder model with attention.

Apri live script

Sequence-to-Sequence Classification Using 1-D Convolutions

Classify each time step of sequence data using a generic temporal convolutional network (TCN).

Apri live script

Train Network in Parallel with Custom Training Loop

Set up a custom training loop to train a network in parallel. In this example, parallel workers train on portions of the overall mini-batch. If you have a GPU, then training happens on the GPU. During training, a DataQueue object sends training progress information back to the MATLAB client.

Apri live script

Train Variational Autoencoder (VAE) to Generate Images

Train a deep learning variational autoencoder (VAE) to generate images.

Apri live script

Train Network Using Cyclical Learning Rate for Snapshot Ensembling

Train a network to classify images of objects using a cyclical learning rate schedule and snapshot ensembling for better test accuracy. In the example, you learn how to use a cosine function for the learning rate schedule, take snapshots of the network during training to create a model ensemble, and add L2-norm regularization (weight decay) to the training loss.

Apri live script

Train Bayesian Neural Network

Train a Bayesian neural network (BNN) for image regression using Bayes by Backpropagation.

Apri live script