Workflow dei dati delle sequenze e delle feature numeriche
Per i dati di sequenze, serie temporali e tabelle, creare e addestrare reti neurali multilivello perceptron (MLP), reti neurali con memoria a breve e lungo termine (LSTM) e reti neurali convoluzionali (CNN). È possibile creare e addestrare reti neurali per attività di classificazione, regressione e previsione. È inoltre possibile addestrare le reti neurali sui dati di testo utilizzando livelli di incorporazione delle parole (richiede Text Analytics Toolbox™) o su dati audio utilizzando spettrogrammi (richiede Audio Toolbox™).
Addestrare le reti neurali sequenza-uno e sequenza-sequenza utilizzando la funzione trainnet
con la funzione trainingOptions
o definendo un loop di addestramento personalizzato utilizzando le funzioni degli oggetti dlnetwork
e dlarray
.
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
.
È possibile monitorare i progressi dell’addestramento utilizzando i grafici integrati sulla precisione e sulla perdita della rete, nonché esaminare le reti addestrate utilizzando tecniche di visualizzazione come Grad-CAM.
Quando si dispone di una rete addestrata, è possibile verificarne la solidità, calcolare i limiti di output della rete e trovare esempi avversari. È inoltre possibile utilizzare una rete addestrata nei modelli Simulink® utilizzando i blocchi della libreria di blocchi Deep Neural Networks.
Categorie
- Pre-elaborazione dei dati
Gestire e pre-elaborare dati sequenziali e tabellari per il Deep Learning
- Costruzione e addestramento della rete
Creare reti neurali profonde per dati sequenziali e tabellari e addestrare da zero
- Visualizzazione e verifica
Visualizzare il comportamento della rete neurale, spiegare le predizioni e verificare la solidità utilizzando dati sequenziali e tabellari