Entrenamiento integrado

Entrene redes de deep learning con datos de secuencias y en tablas usando funciones de entrenamiento integradas.

Después de definir la arquitectura de red, podrá definir los parámetros de entrenamiento con la función trainingOptions. Luego, podrá entrenar la red con la función trainnet. Utilice la red entrenada para predecir etiquetas de clase o respuestas numéricas o para predecir las unidades de tiempo futuras.

Puede entrenar una red neuronal en una CPU, una GPU, varias CPU o GPU, o en paralelo en un cluster o en la nube. Para entrenar una red en una GPU o en paralelo, es necesario utilizar Parallel Computing Toolbox™. Para usar una GPU, es necesario contar con un dispositivo con GPU compatible (para obtener información sobre los dispositivos compatibles, consulte GPU Computing Requirements (Parallel Computing Toolbox)). Especifique el entorno de ejecución con la función trainingOptions.

Apps

Deep Network Designer

Diseñar y visualizar redes de deep learning

Funciones

expandir todo

Entrenar la red

`trainingOptions`	Opciones para entrenar una red neuronal de deep learning
`trainnet`	Train deep learning neural network (desde R2023b)
`analyzeNetwork`	Analyze deep learning network architecture

Predicción

`predict`	Compute deep learning network output for inference (desde R2019b)
`minibatchpredict`	Mini-batched neural network prediction (desde R2024a)
`scores2label`	Convert prediction scores to labels (desde R2024a)
`confusionchart`	Crear una gráfica de matriz de confusión para un problema de clasificación
`sortClasses`	Sort classes of confusion matrix chart

Temas

Redes perceptrón multicapa

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.
Compare Deep Learning Networks for Credit Default Prediction
Create, train, and compare three deep learning networks for predicting credit default probability.
Battery State of Charge Workflow

An example workflow for training, compressing, and using a deep learning network in Simulink^®.
- PASO 1: Predict Battery State of Charge Using Deep Learning
- PASO 2: Compress Network for Estimating Battery State of Charge
- PASO 3: Battery State of Charge Estimation in Simulink Using Deep Learning Network

Redes recurrentes

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).
Train Network with LSTM Projected Layer
Train a deep learning network with an LSTM projected layer for sequence-to-label classification.
Classify Videos Using Deep Learning
This example shows how to create a network for video classification by combining a pretrained image classification model and an LSTM network.
Train Network Using Custom Mini-Batch Datastore for Sequence Data
This example shows how to train a deep learning network on out-of-memory sequence data using a custom mini-batch datastore.

Redes convolucionales

Clasificación de secuencias mediante convoluciones 1D
En este ejemplo se muestra cómo clasificar datos secuenciales mediante una red neuronal convolucional 1D.
Time Series Anomaly Detection Using Deep Learning
This example shows how to detect anomalies in sequence or time series data.
Train Sequence Classification Network Using Data With Imbalanced Classes
This example shows how to classify sequences with a 1-D convolutional neural network using class weights to modify the training to account for imbalanced classes.
Sequence-to-Sequence Classification Using 1-D Convolutions
This example shows how to classify each time step of sequence data using a generic temporal convolutional network (TCN).
Train Network with Complex-Valued Data
This example shows how to predict the frequency of a complex-valued waveform using a 1-D convolutional neural network.
Sequence Classification Using CNN-LSTM Network
This example shows how to create a 2-D CNN-LSTM network for speech classification tasks by combining a 2-D convolutional neural network (CNN) with a long short-term memory (LSTM) layer.
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.

Deep learning con MATLAB

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.
Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.

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