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 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 los modelos que no se pueden especificar como redes de capas, puede definir el modelo 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 y visualizar redes de deep learning

Funciones

expandir todo

Capas integradas

Capas de entrada

`inputLayer`	Input layer (desde R2023b)
`imageInputLayer`	Capa de entrada de imagen
`image3dInputLayer`	3-D image input layer
`sequenceInputLayer`	Capa de entrada de secuencias
`featureInputLayer`	Capa de entrada de características (desde R2020b)

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 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)

Capas de activación

`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)
`softmaxLayer`	Capa softmax
`sigmoidLayer`	Capa sigmoide (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`	Capa de abandono
`spatialDropoutLayer`	Spatial dropout layer (desde R2024a)
`flattenLayer`	Capa aplanada
`crop2dLayer`	2-D crop layer
`crop3dLayer`	3-D crop layer (desde R2019b)
`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 (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
`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 (desde R2019b)
`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
`getLayer`	Look up a layer by name or path (desde R2024a)
`connectLayers`	Conectar capas en una red neuronal
`disconnectLayers`	Disconnect layers in neural network
`expandLayers`	Expand network layers (desde R2024a)
`groupLayers`	Group layers into network layers (desde R2024a)
`analyzeNetwork`	Analyze deep learning network architecture
`addInputLayer`	Add input layer to network (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)
`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
`dag2dlnetwork`	Convert `SeriesNetwork` and `DAGNetwork` to `dlnetwork` (desde R2024a)

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

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.
Build Networks with Deep Network Designer
Interactively build and edit deep learning networks in Deep Network Designer.
Create and Train Network with Nested Layers
This example shows how to create and train a network with nested layers using network layers. (desde R2024a)
Example Deep Learning Networks Architectures
This example shows how to define simple deep learning neural networks for classification and regression tasks.
Choose an AI Model
Explore options for choosing an AI model.
Generar código MATLAB desde Deep Network Designer
Genere código MATLAB para recrear el diseño de una red en Deep Network Designer.

Capas personalizadas

Definir capas de deep learning personalizadas
Aprenda a definir capas de deep learning personalizadas.
Deep Learning Network Composition
Define custom layers that contain neural networks.
Define Nested Deep Learning Layer Using Network Composition
This example shows how to define a nested custom 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

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

Train Neural ODE Network

Train an augmented neural ordinary differential equation (ODE) network.

Abrir script en vivo

Introducción a Deep Network Designer

Este ejemplo muestra cómo crear una red neuronal recurrente sencilla para la clasificación de secuencias de deep learning utilizando Deep Network Designer.

Abrir script en vivo

Introducción a la clasificación de imágenes

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

Abrir script en vivo