Diferenciación automática

Personalice capas, redes, bucles de entrenamiento y funciones de pérdida de deep learning.

Para la mayor parte de las tareas, puede usar capas integradas. Si no hay una capa integrada que necesita para la tarea, puede definir su propia capa personalizada. Puede definir capas personalizadas con parámetros que se puedan aprender y de estado. Después de definir una capa personalizada, puede comprobar que es válida y compatible con la GPU, y que devuelve como salida gradientes correctamente definidos. Para obtener una lista de capas compatibles, consulte Lista de capas de deep learning.

Si la función trainingOptions no proporciona las opciones de entrenamiento que necesita para la tarea o tiene una función de pérdida que la función trainnet no admite, puede definir un bucle de entrenamiento personalizado. Para los modelos que no se pueden especificar como redes de capas, puede definir el modelo como una función. Para obtener más información, consulte Define Custom Training Loops, Loss Functions, and Networks.

Temas consultados con frecuencia

Ejemplos destacados

Train a Twin Network for Dimensionality Reduction

Train a twin neural network with shared weights to compare handwritten digits using dimensionality reduction.

Abrir script en vivo

Train a Twin Neural Network to Compare Images

Train a twin neural network with shared weights to identify similar images of handwritten characters.

Abrir script en vivo

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

Abrir script en vivo

Multilabel Text Classification Using Deep Learning

Classify text data that has multiple independent labels.

Abrir script en vivo

Sequence-to-Sequence Translation Using Attention

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

Abrir script en vivo

Train Network in Parallel with Custom Training Loop

Set up a custom training loop to train a network in parallel.

Abrir script en vivo

Train Variational Autoencoder (VAE) to Generate Images

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

Abrir script en vivo

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.

Abrir script en vivo