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 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

`sequenceInputLayer`	Capa de entrada de secuencias
`featureInputLayer`	Capa de entrada de características (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)
`gruProjectedLayer`	Gated recurrent unit (GRU) projected layer for recurrent neural network (RNN) (desde R2023b)

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)

Convolución y capas totalmente conectadas

`convolution1dLayer`	Capa convolucional 1D (desde R2021b)
`transposedConv1dLayer`	Transposed 1-D convolution layer (desde R2022a)
`fullyConnectedLayer`	Capa totalmente conectada

Capas de activación y abandono

`reluLayer`	Capa de unidad lineal rectificada (ReLU)
`leakyReluLayer`	Capa de unidad lineal rectificada (ReLU) con fugas
`preluLayer`	Parametrized Rectified Linear Unit (PReLU) layer (desde R2024a)
`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
`dropoutLayer`	Capa de abandono
`spatialDropoutLayer`	Spatial dropout layer (desde R2024a)
`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)
`adaptiveAveragePooling2dLayer`	Adaptive average pooling 2-D layer (desde R2024a)

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 (desde R2019b)
`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)
`initialize`	Initialize learnable and state parameters of a `dlnetwork` (desde R2021a)
`networkLayer`	Network Layer (desde R2024a)
`expandLayers`	Expand network layers (desde R2024a)
`groupLayers`	Group layers into network layers (desde R2024a)
`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

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.
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.
Redes multi-entrada y multi-salida
Aprenda a definir y entrenar redes de deep learning con varias entradas y salidas.
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.

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

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

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

Predict Battery State of Charge Using Deep Learning

Train a neural network to predict the state of charge of a battery by using deep learning.

Abrir script en vivo