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 para datos de secuencias y en tablas usando código de MATLAB^® o de forma interactiva usando Deep Network Designer.

Cree nuevas redes profundas para tareas como clasificación, regresión y predicción 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

`sequenceInputLayer`	Sequence input layer
`featureInputLayer`	Feature input layer (desde R2020b)

Capas recurrentes

`lstmLayer`	Long short-term memory (LSTM) layer for recurrent neural network (RNN)
`bilstmLayer`	Bidirectional long short-term memory (BiLSTM) layer for recurrent neural network (RNN)
`gruLayer`	Gated recurrent unit (GRU) layer for recurrent neural network (RNN) (desde R2020a)
`lstmProjectedLayer`	Long short-term memory (LSTM) projected layer for recurrent neural network (RNN) (desde R2022b)

Capas de convolución, atención y totalmente conectadas

`convolution1dLayer`	1-D convolutional layer (desde R2021b)
`transposedConv1dLayer`	Transposed 1-D convolution layer (desde R2022a)
`selfAttentionLayer`	Self-attention layer (desde R2023a)
`fullyConnectedLayer`	Fully connected layer

Capas de activación y abandono

`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
`dropoutLayer`	Dropout layer
`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

Agrupar capas

`maxPooling1dLayer`	1-D max pooling layer (desde R2021b)
`averagePooling1dLayer`	1-D average pooling layer (desde R2021b)
`globalMaxPooling1dLayer`	1-D global max pooling layer (desde R2021b)
`globalAveragePooling1dLayer`	1-D global average pooling layer (desde R2021b)

Capas de combinación

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

Manipulación de datos

`sequenceFoldingLayer`	Sequence folding layer (desde R2019a)
`sequenceUnfoldingLayer`	Sequence unfolding layer (desde R2019a)
`flattenLayer`	Flatten layer (desde R2019a)

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
`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

Entrenar una red con características numéricas
En este ejemplo se muestra cómo crear y entrenar una red neuronal sencilla para la clasificación de datos de características mediante deep learning.
Create Simple Sequence Classification Network Using Deep Network Designer
This example shows how to create a simple long short-term memory (LSTM) classification network using Deep Network Designer.
Clasificación de secuencias mediante deep learning
Este ejemplo muestra cómo clasificar datos secuenciales mediante una red de memoria de corto-largo plazo (LSTM).
Clasificación secuencia a secuencia mediante deep learning
Este ejemplo muestra cómo clasificar cada unidad de tiempo de datos secuenciales mediante una red de memoria de corto-largo plazo (LSTM).
Regresión de secuencia a secuencia mediante deep learning
Este ejemplo muestra cómo predecir la vida útil restante (RUL) de motores mediante deep learning.
Regresión de secuencia a uno mediante deep learning
En este ejemplo se muestra cómo predecir la frecuencia de una forma de onda mediante una red neuronal de memoria de corto-largo plazo (LSTM).
Redes neuronales de memoria de corto-largo plazo
Obtenga información sobre redes neuronales de memoria de corto-largo plazo (LSTM).
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
Multiple-Input and Multiple-Output Networks
Learn how to define and train deep learning networks with multiple inputs or multiple outputs.
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.

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

Pronóstico de series de tiempo mediante deep learning

Este ejemplo muestra cómo pronosticar datos de series de tiempo mediante una red de memoria de corto-largo plazo (LSTM).

Abrir script en vivo

Train Speech Command Recognition Model Using Deep Learning

Train a deep learning model that detects the presence of speech commands in audio. The example uses the Speech Commands Dataset [1] to train a convolutional neural network to recognize a set of commands.

Abrir script en vivo

Chemical Process Fault Detection Using Deep Learning

Use simulation data to train a neural network than can detect faults in a chemical process.

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