La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Crear redes neuronales profundas

Cree redes neuronales para datos de imágenes usando código de MATLAB^® o de forma interactiva usando Deep Network Designer

Cree nuevas redes profundas para tareas como clasificación y regresión de imágenes definiendo la arquitectura de la red desde cero. Cree redes usando MATLAB o de forma interactiva con la app Deep Network Designer.

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 especificar una función de pérdida personalizada usando una capa de salida personalizada y 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.

Para los modelos no admitidos por las gráficas de capa, puede definir un modelo personalizado como una función. Para obtener más información, consulte Define Custom Training Loops, Loss Functions, and Networks.

Apps

Deep Network Designer

Diseñar, visualizar y entrenar redes de deep learning

Funciones

expandir todo

Capas integradas

Capas de entrada

`imageInputLayer`	Capa de entrada de imagen
`image3dInputLayer`	3-D image input layer (desde R2019a)

Convolución y capas totalmente conectadas

`convolution2dLayer`	2-D convolutional layer
`convolution3dLayer`	3-D convolutional layer (desde R2019a)
`groupedConvolution2dLayer`	2-D grouped convolutional layer (desde R2019a)
`transposedConv2dLayer`	Transposed 2-D convolution layer
`transposedConv3dLayer`	Transposed 3-D convolution layer (desde R2019a)
`fullyConnectedLayer`	Fully connected layer

Capas de activación

`reluLayer`	Capa de unidad lineal rectificada (ReLU)
`leakyReluLayer`	Leaky Rectified Linear Unit (ReLU) layer
`clippedReluLayer`	Clipped Rectified Linear Unit (ReLU) layer
`eluLayer`	Exponential linear unit (ELU) layer (desde R2019a)
`tanhLayer`	Capa de tangente hiperbólica (tanh) (desde R2019a)
`swishLayer`	Swish layer (desde R2021a)
`geluLayer`	Gaussian error linear unit (GELU) layer (desde R2022b)
`sigmoidLayer`	Sigmoid layer (desde R2020b)
`softmaxLayer`	Capa softmax
`functionLayer`	Function layer (desde R2021b)

Capas de normalización

`batchNormalizationLayer`	Batch normalization layer
`groupNormalizationLayer`	Group normalization layer (desde R2020b)
`instanceNormalizationLayer`	Instance normalization layer (desde R2021a)
`layerNormalizationLayer`	Layer normalization layer (desde R2021a)
`crossChannelNormalizationLayer`	Channel-wise local response normalization layer

Capas de utilidades

`dropoutLayer`	Dropout layer
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer (desde R2019b)

Agrupar y desagrupar capas

`averagePooling2dLayer`	Average pooling layer
`averagePooling3dLayer`	3-D average pooling layer (desde R2019a)
`globalAveragePooling2dLayer`	2-D global average pooling layer (desde R2019b)
`globalAveragePooling3dLayer`	3-D global average pooling layer (desde R2019b)
`globalMaxPooling2dLayer`	Global max pooling layer (desde R2020a)
`globalMaxPooling3dLayer`	3-D global max pooling layer (desde R2020a)
`maxPooling2dLayer`	Max pooling layer
`maxPooling3dLayer`	3-D max pooling layer (desde R2019a)
`maxUnpooling2dLayer`	Max unpooling layer

Capas de combinación

`additionLayer`	Capa de suma
`multiplicationLayer`	Multiplication layer (desde R2020b)
`concatenationLayer`	Capa de concatenación (desde R2019a)
`depthConcatenationLayer`	Capa de concatenación de profundidad

Capas de salida

`classificationLayer`	Capa de clasificación de salida
`regressionLayer`	Capa de salida de regresión

Crear una red

`layerGraph`	Gráfica de capas de red de deep learning
`plot`	Representar una arquitectura de red neuronal
`addLayers`	Add layers to layer graph or network
`removeLayers`	Remove layers from layer graph or network
`replaceLayer`	Replace layer in layer graph or network
`connectLayers`	Connect layers in layer graph or network
`disconnectLayers`	Disconnect layers in layer graph or network
`DAGNetwork`	Red DAG de deep learning
`resnetLayers`	Create 2-D residual network (desde R2021b)
`resnet3dLayers`	Create 3-D residual network (desde R2021b)
`isequal`	Check equality of deep learning layer graphs or networks (desde R2021a)
`isequaln`	Check equality of deep learning layer graphs or networks ignoring `NaN` values (desde R2021a)
`analyzeNetwork`	Analyze deep learning network architecture

Redes personalizadas

`dlnetwork`	Deep learning network for custom training loops (desde R2019b)
`addInputLayer`	Add input layer to network (desde R2022b)
`summary`	Imprimir un resumen de la red (desde R2022b)
`initialize`	Initialize learnable and state parameters of a `dlnetwork` (desde R2021a)
`networkDataLayout`	Deep learning network data layout for learnable parameter initialization (desde R2022b)
`checkLayer`	Check validity of custom or function layer

Temas

Capas integradas

Specify Layers of Convolutional Neural Network
Learn about the layers of a convolutional neural network (ConvNet), and the order they appear in a ConvNet.
Crear una red neuronal de deep learning sencilla para clasificación
Este ejemplo muestra cómo crear y entrenar una red neuronal convolucional sencilla para la clasificación mediante deep learning.
Entrenar una red neuronal convolucional para regresión
Este ejemplo muestra cómo ajustar un modelo de regresión mediante redes neuronales convolucionales para predecir los ángulos de rotación de dígitos manuscritos.
Lista de capas de deep learning
Descubra todas las capas de deep learning de MATLAB.
Build Networks with Deep Network Designer
Interactively build and edit deep learning networks in Deep Network Designer.
Deep learning en MATLAB
Descubra las prestaciones de deep learning en MATLAB utilizando redes neuronales convolucionales para clasificación y regresión, incluidas redes preentrenadas y transferencia del aprendizaje, así como entrenamiento en unidades de procesamiento gráfico (GPU), unidades CPU, clusters y nubes.
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.
Multiple-Input and Multiple-Output Networks
Learn how to define and train deep learning networks with multiple inputs or multiple outputs.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.

Capas personalizadas

Define Custom Deep Learning Layers
Learn how to define custom deep learning layers.
Define Custom Deep Learning Intermediate Layers
Learn how to define custom deep learning intermediate layers.
Define Custom Deep Learning Output Layers
Learn how to define custom deep learning output layers.
Check Custom Layer Validity
Learn how to check the validity of custom deep learning layers.
Replace Unsupported Keras Layer with Function Layer
This example shows how to import the layers from a pretrained Keras network, replace the unsupported layers with function layers, and assemble the layers into a network ready for prediction.

Ejemplos destacados

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.

Abrir script en vivo

Convertir una red de clasificación en una red de regresión

En este ejemplo se muestra cómo convertir una red de clasificación entrenada en una red de regresión.

Abrir script en vivo

Train Network on Image and Feature Data

Train a network that classifies handwritten digits using both image and feature input data.

Abrir script en vivo

Image-to-Image Regression in Deep Network Designer

Use Deep Network Designer to construct and train an image-to-image regression network for super resolution.

Abrir script en vivo

Multilabel Image Classification Using Deep Learning

Use transfer learning to train a deep learning model for multilabel image classification.

Abrir script en vivo