Addestramento di reti neurali profonde
Dopo aver definito l'architettura della rete, è possibile definire i parametri di addestramento utilizzando la funzione trainingOptions. È quindi possibile addestrare la rete utilizzando la funzione trainnet. Utilizzare la rete addestrata per prevedere le etichette delle classi o le risposte numeriche.
È possibile addestrare una rete neurale su una CPU, una GPU, più CPU o GPU, oppure in parallelo su un cluster o nel cloud. L'addestramento su GPU o in parallelo richiede Parallel Computing Toolbox™. L’utilizzo di una GPU richiede un dispositivo GPU supportato (per informazioni sui dispositivi supportati, vedere GPU Computing Requirements (Parallel Computing Toolbox)). Specificare l’ambiente di esecuzione utilizzando la funzione trainingOptions.
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 i modelli che non possono essere specificati come reti di livelli, è possibile definire il modello come funzione. Per saperne di più, vedere Custom Training Loops.
Dopo aver individuato alcune buone opzioni di partenza, è possibile automatizzare la spaziatura degli iperparametri o provare l'ottimizzazione bayesiana usando Experiment Manager. Utilizzare Experiment Manager per testare contemporaneamente diverse configurazioni di addestramento eseguendo l’esperimento in parallelo e monitorando i progressi utilizzando i grafici di addestramento.
Categorie
- Addestramento integrato
Addestrare reti di Deep Learning con le funzioni di addestramento integrate
- Addestramento personalizzato utilizzando la differenziazione automatica
Addestrare reti di Deep Learning utilizzando loop di addestramento personalizzati
- Ottimizzazione
Ottimizzare le opzioni di addestramento in modo programmatico, riprendere l’addestramento da un checkpoint ed esaminare gli esempi avversari
- Gestione degli esperimenti
Addestrare le reti in condizioni iniziali multiple, sincronizzare le opzioni di addestramento in modo interattivo e valutare i risultati
- Parallelo e cloud
Ampliare il Deep Learning con più GPU in locale o nel cloud e addestrare più reti in modo interattivo o in lavori batch
Esempi in primo piano
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.
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.
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).
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.
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.
Classify Videos Using Deep Learning
Create a network for video classification by combining a pretrained image classification model and an LSTM network.
Train Network on Image and Feature Data
Train a network that classifies handwritten digits using both image and feature input data.
Train Network Using Custom Training Loop
Train a network that classifies handwritten digits with a custom learning rate schedule.
Train Generative Adversarial Network (GAN)
Train a generative adversarial network to generate images.
Train Fast Style Transfer Network
Train a network to transfer the style of an image to a second image. It is based on the architecture defined in [1].
Image Captioning Using Attention
Train a deep learning model for image captioning using attention.
Generate Images Using Diffusion
Generate new images using a diffusion model.
Generate Images in Specific Class Using Guided Diffusion
Generate new images using a guided diffusion model.
Resume Training from Checkpoint Network
Save checkpoint networks while training a deep learning network and resume training from a previously saved network.
Try Multiple Pretrained Networks for Transfer Learning
Configure an experiment that replaces layers of different pretrained networks for transfer learning.
Experiment with Weight Initializers for Transfer Learning
Configure an experiment that initializes the weights of convolution and fully connected layers using different weight initializers.
Use Experiment Manager to Train Generative Adversarial Networks (GANs)
Create a custom training experiment to generate images of flowers.
Detect Issues During Deep Neural Network Training
Automatically detect issues while training a deep neural network.
