Capas integradas
Para la mayor parte de las tareas, puede usar capas integradas. Si no hay una capa integrada que necesita para la tarea, puede definir su propia capa personalizada. 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 obtener una lista de capas compatibles, consulte Lista de capas de deep learning.
Apps
| Deep Network Designer | Diseñar y visualizar redes de deep learning |
Funciones
Temas
- 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.
- Entrenar una red neuronal convolucional para regresión
Este ejemplo muestra cómo entrenar una red neuronal convolucional para predecir los ángulos de rotación de dígitos manuscritos.
- Lista de capas de deep learning
Descubra todas las capas de deep learning de MATLAB®.
- Crear redes con Deep Network Designer
Cree y edite redes de deep learning de forma interactiva en 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.
- Redes multi-entrada y multi-salida
Aprenda a definir y entrenar redes de deep learning con varias entradas y salidas.
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).
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.
Clasificación de secuencias mediante convoluciones 1D
En este ejemplo se muestra cómo clasificar datos secuenciales mediante una red neuronal convolucional 1D.
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.
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
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.
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.
Entrenar una red residual para clasificar imágenes
En este ejemplo se muestra cómo crear una red neuronal de deep learning con conexiones residuales y entrenarla con datos CIFAR-10. Las conexiones residuales son un elemento popular en las arquitecturas de red neuronal convolucional. El uso de conexiones residuales mejora el flujo de gradiente a través de la red y permite el entrenamiento de redes más profundas.
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.
Interpretable Time Series Forecasting Using a Temporal Fusion Transformer
Forecast electricity usage using an interpretable temporal fusion transformer (TFT).
