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 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 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.

Apps

Deep Network Designer

Diseñar y visualizar redes de deep learning

Funciones

expandir todo

Capas integradas

Capas de entrada

`imageInputLayer`	Capa de entrada de imagen
`image3dInputLayer`	3-D image input layer

Convolución y capas totalmente conectadas

`convolution2dLayer`	2-D convolutional layer
`convolution3dLayer`	3-D convolutional layer
`groupedConvolution2dLayer`	2-D grouped convolutional layer
`transposedConv2dLayer`	Transposed 2-D convolution layer
`transposedConv3dLayer`	Transposed 3-D convolution layer
`fullyConnectedLayer`	Capa totalmente conectada

Capas transformadoras

`selfAttentionLayer`	Self-attention layer (desde R2023a)
`attentionLayer`	Dot-product attention layer (desde R2024a)
`positionEmbeddingLayer`	Position embedding layer (desde R2023b)
`sinusoidalPositionEncodingLayer`	Sinusoidal position encoding layer (desde R2023b)
`embeddingConcatenationLayer`	Embedding concatenation layer (desde R2023b)
`indexing1dLayer`	1-D indexing layer (desde R2023b)

Capas de ODE neuronales

neuralODELayer Neural ODE layer (desde R2023b)

Capas de activación

`reluLayer`	Capa de unidad lineal rectificada (ReLU)
`leakyReluLayer`	Capa de unidad lineal rectificada (ReLU) con fugas
`clippedReluLayer`	Capa de unidad lineal rectificada (ReLU) recortada
`eluLayer`	Exponential linear unit (ELU) layer
`tanhLayer`	Capa de tangente hiperbólica (tanh)
`swishLayer`	Swish layer (desde R2021a)
`geluLayer`	Gaussian error linear unit (GELU) layer (desde R2022b)
`sigmoidLayer`	Capa sigmoide (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`	Capa de abandono
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer
`networkLayer`	Network Layer (desde R2024a)

Agrupar y desagrupar capas

`averagePooling2dLayer`	Average pooling layer
`averagePooling3dLayer`	3-D average pooling layer
`adaptiveAveragePooling2dLayer`	Adaptive average pooling 2-D layer (desde R2024a)
`globalAveragePooling2dLayer`	2-D global average pooling layer
`globalAveragePooling3dLayer`	3-D global average pooling layer
`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
`maxUnpooling2dLayer`	Max unpooling layer

Capas de combinación

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

Creación de redes

`dlnetwork`	Redes neuronales de deep learning
`imagePretrainedNetwork`	Pretrained neural network for images (desde R2024a)
`resnetNetwork`	2-D residual neural network (desde R2024a)
`resnet3dNetwork`	3-D residual neural network (desde R2024a)
`addLayers`	Añadir capas a una red neuronal
`removeLayers`	Remove layers from neural network
`replaceLayer`	Replace layer in neural network
`connectLayers`	Conectar capas en una red neuronal
`disconnectLayers`	Disconnect layers in neural network
`addInputLayer`	Add input layer to network (desde R2022b)
`expandLayers`	Expand network layers (desde R2024a)
`groupLayers`	Group layers into network layers (desde R2024a)
`initialize`	Initialize learnable and state parameters of a `dlnetwork` (desde R2021a)
`networkDataLayout`	Deep learning network data layout for learnable parameter initialization (desde R2022b)
`setL2Factor`	Set L₂ regularization factor of layer learnable parameter
`getL2Factor`	Get L₂ regularization factor of layer learnable parameter
`setLearnRateFactor`	Set learn rate factor of layer learnable parameter
`getLearnRateFactor`	Get learn rate factor of layer learnable parameter

Información de redes

`plot`	Representar una arquitectura de red neuronal
`summary`	Imprimir un resumen de la red (desde R2022b)
`analyzeNetwork`	Analyze deep learning network architecture
`checkLayer`	Check validity of custom or function layer
`isequal`	Check equality of neural networks (desde R2021a)
`isequaln`	Check equality of neural networks ignoring `NaN` values (desde R2021a)

Temas

Capas integradas

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 entrenar una red neuronal convolucional 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.
Trucos y consejos de deep learning
Aprenda a mejorar la precisión de redes de deep learning.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.
Redes multi-entrada y multi-salida
Aprenda a definir y entrenar redes de deep learning con varias entradas y salidas.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.

Capas personalizadas

Definir capas de deep learning personalizadas
Aprenda a definir capas de deep learning personalizadas.
Check Custom Layer Validity
Learn how to check the validity of custom deep learning layers.

Ejemplos destacados

Entrenar una red residual para clasificar imágenes

En este ejemplo se muestra cómo crear una red neuronal de deep learning con conexiones residuales y entrenarla con datos CIFAR-10. Las conexiones residuales son un elemento popular en las arquitecturas de red neuronal convolucional. El uso de conexiones residuales mejora el flujo de gradiente a través de la red y permite el entrenamiento de redes más profundas.

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

Entrenar una red con datos de características y de imagen

En este ejemplo se muestra cómo entrenar una red que clasifica dígitos escritos a mano usando datos de entrada de características y de imagen.

Abrir script en vivo

Build Image-to-Image Regression Network Using Deep Network Designer

Use Deep Network Designer to construct 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

Convert Convolutional Network to Spiking Neural Network

Convert a conventional convolutional neural network (CNN) to a spiking neural network (SNN).

Desde R2023b
Abrir script en vivo