Main Content

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 DesignerDiseñar, visualizar y entrenar redes de deep learning

Funciones

expandir todo

Capas de entrada

imageInputLayerCapa de entrada de imagen
image3dInputLayer3-D image input layer (desde R2019a)
sequenceInputLayerSequence input layer
featureInputLayerFeature input layer (desde R2020b)

Convolución y capas totalmente conectadas

convolution2dLayer2-D convolutional layer
convolution3dLayer3-D convolutional layer (desde R2019a)
groupedConvolution2dLayer2-D grouped convolutional layer (desde R2019a)
transposedConv2dLayerTransposed 2-D convolution layer
transposedConv3dLayerTransposed 3-D convolution layer (desde R2019a)
fullyConnectedLayerFully connected layer
selfAttentionLayerSelf-attention layer (desde R2023a)

Capas recurrentes

lstmLayerLong short-term memory (LSTM) layer for recurrent neural network (RNN)
bilstmLayerBidirectional long short-term memory (BiLSTM) layer for recurrent neural network (RNN)
gruLayerGated recurrent unit (GRU) layer for recurrent neural network (RNN) (desde R2020a)
lstmProjectedLayerLong short-term memory (LSTM) projected layer for recurrent neural network (RNN) (desde R2022b)

Capas de activación

reluLayerCapa de unidad lineal rectificada (ReLU)
leakyReluLayerLeaky Rectified Linear Unit (ReLU) layer
clippedReluLayerClipped Rectified Linear Unit (ReLU) layer
eluLayerExponential linear unit (ELU) layer (desde R2019a)
tanhLayerCapa de tangente hiperbólica (tanh) (desde R2019a)
swishLayerSwish layer (desde R2021a)
geluLayerGaussian error linear unit (GELU) layer (desde R2022b)
softmaxLayerCapa softmax
sigmoidLayerSigmoid layer (desde R2020b)
functionLayerFunction layer (desde R2021b)

Capas de normalización

batchNormalizationLayerBatch normalization layer
groupNormalizationLayerGroup normalization layer (desde R2020b)
instanceNormalizationLayerInstance normalization layer (desde R2021a)
layerNormalizationLayerLayer normalization layer (desde R2021a)
crossChannelNormalizationLayer Channel-wise local response normalization layer

Capas de utilidades

dropoutLayerDropout layer
crop2dLayer2-D crop layer
crop3dLayer3-D crop layer (desde R2019b)

Manipulación de datos

sequenceFoldingLayerSequence folding layer (desde R2019a)
sequenceUnfoldingLayerSequence unfolding layer (desde R2019a)
flattenLayerFlatten layer (desde R2019a)

Agrupar y desagrupar capas

averagePooling2dLayerAverage pooling layer
averagePooling3dLayer3-D average pooling layer (desde R2019a)
globalAveragePooling2dLayer2-D global average pooling layer (desde R2019b)
globalAveragePooling3dLayer3-D global average pooling layer (desde R2019b)
globalMaxPooling2dLayerGlobal max pooling layer (desde R2020a)
globalMaxPooling3dLayer3-D global max pooling layer (desde R2020a)
maxPooling2dLayerMax pooling layer
maxPooling3dLayer3-D max pooling layer (desde R2019a)
maxUnpooling2dLayerMax unpooling layer

Capas de combinación

additionLayerCapa de suma
multiplicationLayerMultiplication layer (desde R2020b)
concatenationLayerCapa de concatenación (desde R2019a)
depthConcatenationLayerCapa de concatenación de profundidad

Capas de salida

classificationLayerCapa de clasificación de salida
regressionLayerCapa de salida de regresión
layerGraphGráfica de capas de red de deep learning
plotRepresentar una arquitectura de red neuronal
addLayersAdd layers to layer graph or network
removeLayersRemove layers from layer graph or network
replaceLayerReplace layer in layer graph or network
connectLayersConnect layers in layer graph or network
disconnectLayersDisconnect layers in layer graph or network
DAGNetworkRed DAG de deep learning
resnetLayersCreate 2-D residual network (desde R2021b)
resnet3dLayersCreate 3-D residual network (desde R2021b)
isequalCheck equality of deep learning layer graphs or networks (desde R2021a)
isequalnCheck equality of deep learning layer graphs or networks ignoring NaN values (desde R2021a)
analyzeNetworkAnalyze deep learning network architecture
resetStateReset state parameters of neural network
dlnetworkDeep learning network for custom training loops (desde R2019b)
addInputLayerAdd input layer to network (desde R2022b)
summaryImprimir un resumen de la red (desde R2022b)
initializeInitialize learnable and state parameters of a dlnetwork (desde R2021a)
networkDataLayoutDeep learning network data layout for learnable parameter initialization (desde R2022b)
checkLayerCheck validity of custom or function layer
setL2FactorSet L2 regularization factor of layer learnable parameter
getL2FactorGet L2 regularization factor of layer learnable parameter
setLearnRateFactorSet learn rate factor of layer learnable parameter
getLearnRateFactorGet learn rate factor of layer learnable parameter

Temas

Capas integradas

Capas personalizadas