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.

Redes preentrenadas integradas

Cargue redes preentrenadas integradas y realice la transferencia del aprendizaje

Deep Learning Toolbox™ ofrece varias redes preentrenadas adecuadas para la transferencia del aprendizaje. La transferencia del aprendizaje es un proceso que consiste en elegir una red de deep learning preentrenada y ajustarla para aprender una tarea nueva. Utilizar la transferencia del aprendizaje es normalmente un proceso más rápido y sencillo que entrenar una red desde cero. Puede transferir de forma rápida las características aprendidas a una nueva tarea con menos cantidad de datos. Para explorar las redes preentrenadas disponibles, utilice Deep Network Designer. Para obtener más información, consulte Redes neuronales profundas preentrenadas.

Apps

Deep Network Designer

Diseñar, visualizar y entrenar redes de deep learning

Funciones

expandir todo

Redes preentrenadas

`squeezenet`	Red neuronal convolucional SqueezeNet
`googlenet`	Red neuronal convolucional GoogLeNet
`inceptionv3`	Red neuronal convolucional Inception-v3
`densenet201`	Red neuronal convolucional DenseNet-201
`mobilenetv2`	Red neuronal convolucional MobileNet-v2 (desde R2019a)
`resnet18`	Red neuronal convolucional ResNet-18
`resnet50`	Red neuronal convolucional ResNet-50
`resnet101`	Red neuronal convolucional ResNet-101
`xception`	Red neuronal convolucional Xception (desde R2019a)
`inceptionresnetv2`	Red neuronal convolucional Inception-ResNet-v2 preentrenada
`nasnetlarge`	Red neuronal convolucional NASNet-Large preentrenada (desde R2019a)
`nasnetmobile`	Pretrained NASNet-Mobile convolutional neural network (desde R2019a)
`shufflenet`	Pretrained ShuffleNet convolutional neural network (desde R2019a)
`darknet19`	DarkNet-19 convolutional neural network (desde R2020a)
`darknet53`	DarkNet-53 convolutional neural network (desde R2020a)
`efficientnetb0`	Red neuronal convolucional EfficientNet-b0 (desde R2020b)
`alexnet`	Red neuronal convolucional AlexNet
`vgg16`	Red neuronal convolucional VGG-16
`vgg19`	Red neuronal convolucional VGG-19

Temas

Clasificar imágenes de una webcam mediante deep learning
Este ejemplo muestra cómo clasificar imágenes de una webcam en tiempo real usando una red neuronal convolucional profunda preentrenada, GoogLeNet.
Entrenar redes de deep learning para clasificar nuevas imágenes
Este ejemplo muestra cómo usar la transferencia del aprendizaje para volver a entrenar una red neuronal convolucional para clasificar un nuevo conjunto de imágenes.
Transferencia del aprendizaje mediante una red preentrenada
Este ejemplo muestra cómo ajustar una red neuronal convolucional GoogLeNet preentrenada para clasificar una nueva colección de imágenes.
Redes neuronales profundas preentrenadas
Aprenda a descargar y utilizar redes neuronales convolucionales preentrenadas para clasificación, transferencia del aprendizaje y extracción de características.
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.

Información relacionada

MATLAB Deep Learning Model Hub

Ejemplos destacados

Clasificar una imagen con GoogLeNet

Este ejemplo muestra cómo clasificar una imagen usando una red neuronal convolucional profunda preentrenada, GoogLeNet.

Abrir script en vivo

Transferencia del aprendizaje con Deep Network Designer

Ajuste de manera interactiva una red de deep learning preentrenada para aprender una tarea nueva de clasificación de imágenes.

Abrir script en vivo

Extraer características de imágenes con una red preentrenada

Este ejemplo muestra cómo extraer características de imagen aprendidas de una red neuronal convolucional preentrenada y cómo utilizar esas características para entrenar un clasificador de imágenes. La extracción de características es la forma más rápida y sencilla de utilizar la capacidad de representación de las redes profundas preentrenadas. Por ejemplo, puede entrenar una máquina de vectores de soporte (SVM) utilizando fitcecoc (Statistics and Machine Learning Toolbox™) en las características extraídas. Como la extracción de características solo requiere una única pasada por los datos, es un buen punto de partida si no tiene una GPU con la que acelerar el entrenamiento de la red.

Abrir script en vivo

Clasificar imágenes en Simulink con GoogLeNet

En este ejemplo se muestra cómo clasificar una imagen en Simulink® usando el bloque Image Classifier. En este ejemplo se usa la red neuronal convolucional profunda preentrenada GoogLeNet para llevar a cabo una clasificación.

Abrir script

Transfer Learning with Pretrained Audio Networks in Deep Network Designer

Interactively fine-tune a pretrained network to classify new audio signals using Deep Network Designer.

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

Multilabel Image Classification Using Deep Learning

Use transfer learning to train a deep learning model for multilabel image classification.

Abrir script en vivo

Classify Videos Using Deep Learning

Create a network for video classification by combining a pretrained image classification model and an LSTM network.

Abrir script en vivo