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 usando funciones de línea de comandos o de forma interactiva con la app Deep Network Designer

Cree redes desde cero usando código de MATLAB^® o de forma interactiva con la app Deep Network Designer. Utilice capas integradas para crear redes para tareas tales como la clasificación y la regresión. Para ver una lista de capas integradas, consulte Lista de capas de deep learning. A continuación, puede analizar la red para entender la arquitectura de la red y comprobar si hay problemas antes del entrenamiento.

Si las capas integradas no proporcionan la capa que necesita para la tarea, puede definir su propia capa de deep learning personalizada para su problema. Puede especificar una función de pérdida personalizada usando capas de salida personalizadas y definir capas personalizadas con parámetros que se puedan aprender o sin ellos. Después de definir una capa personalizada, puede comprobar que es válida y compatible con la GPU, y que devuelve como salida gradientes correctamente definidos.

En el caso de las redes que no se pueden crear mediante gráficas de capa, puede definir una red personalizada como una función. Para obtener un ejemplo sobre cómo entrenar un modelo de deep learning definido como una función, consulte Train Network Using Model Function.

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

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
`selfAttentionLayer`	Self-attention layer (desde R2023a)

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 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)
`softmaxLayer`	Capa softmax
`sigmoidLayer`	Sigmoid layer (desde R2020b)
`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)

Manipulación de datos

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

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

Creación de redes

`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
`resetState`	Reset state parameters of neural network

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
`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

Temas

Capas integradas

Redes neuronales de memoria de corto-largo plazo
Obtenga información sobre redes neuronales de memoria de corto-largo plazo (LSTM).
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.
Lista de capas de deep learning
Descubra todas las capas de deep learning de MATLAB.
Specify Layers of Convolutional Neural Network
Learn about the layers of a convolutional neural network (ConvNet), and the order they appear in a ConvNet.
Build Networks with Deep Network Designer
Interactively build and edit deep learning networks in Deep Network Designer.
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
Generate MATLAB Code from Deep Network Designer
Generate MATLAB code to recreate designing and training a network in Deep Network Designer.

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.
Import Custom Layer into Deep Network Designer
This example shows how to import a custom classification output layer with the sum of squares error (SSE) loss and add it to a pretrained network in Deep Network Designer.
Deep Learning Network Composition
Define custom layers containing layer graphs.
Define Nested Deep Learning Layer
This example shows how to define a nested deep learning layer.
Check Custom Layer Validity
Learn how to check the validity of custom deep learning layers.
View Autogenerated Custom Layers Using Deep Network Designer
This example shows how to import a pretrained TensorFlow™ network and view the autogenerated layers in Deep Network Designer.

Ejemplos destacados

Clasificación de secuencias mediante deep learning

Este ejemplo muestra cómo clasificar datos secuenciales mediante una red de memoria de corto-largo plazo (LSTM).

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

Clasificación de secuencias mediante convoluciones 1D

En este ejemplo se muestra cómo clasificar datos secuenciales mediante una red neuronal convolucional 1D.

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

Introducción a Deep Network Designer

Este ejemplo muestra cómo usar Deep Network Designer para adaptar una red GoogLeNet preentrenada para clasificar un nuevo conjunto de imágenes. Este proceso se denomina transferencia del aprendizaje y suele ser mucho más rápido y fácil que entrenar una nueva red, ya que permite aplicar las características aprendidas a una nueva tarea con menos imágenes de entrenamiento. Para preparar una red para la transferencia del aprendizaje de forma interactiva, utilice Deep Network Designer.

Abrir script en vivo

Crear una red de clasificación de imágenes sencilla utilizando Deep Network Designer

Este ejemplo muestra cómo crear y entrenar una red neuronal convolucional sencilla para la clasificación mediante deep learning utilizando Deep Network Designer. Las redes neuronales convolucionales son herramientas fundamentales en deep learning y resultan especialmente adecuadas para reconocer imágenes.

Abrir script en vivo