Entrenamiento integrado
Entrene redes de deep learning 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.
Apps
| Time Series Modeler | Train models for time series prediction (Desde R2026a) |
Funciones
Temas
Aspectos básicos del entrenamiento
- 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. - Create Custom Deep Learning Training Plot
This example shows how to create a custom training plot that updates at each iteration during training of deep learning neural networks usingtrainnet. (Desde R2023b) - Custom Stopping Criteria for Deep Learning Training
This example shows how to stop training of deep learning neural networks based on custom stopping criteria usingtrainnet. (Desde R2023b) - Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training. - Define Custom Learning Rate Schedule
This example shows how to define a time-based decay learning rate schedule and use it to train a neural network. - Entrenar una red con varias salidas
Este ejemplo muestra cómo entrenar una red de deep learning con varias salidas que predicen tanto etiquetas como ángulos de rotación de dígitos manuscritos. - Entrenar una red con datos con valores complejos
En este ejemplo se muestra cómo predecir la frecuencia de una forma de onda de valores complejos mediante una red neuronal convolucional 1D. - Denoise Complex-Valued Signal Using Multilayer Perceptron
Create and train a complex-valued neural network for denoising complex-valued signals. (Desde R2026a) - Data Sets for Deep Learning
Discover data sets for various deep learning tasks. - Deep Learning Metrics
Comparison of metrics for deep learning tasks. - Transition Legacy Neural Network Code to dlnetwork Workflows
Learn how to transition legacy neural network code todlnetworkworkflows.
Flujos de trabajo de datos de tablas
- Training Neural Networks with Tabular Data
Learn about training neural networks with tabular data. - Entrenar una red neuronal con datos tabulares
En este ejemplo se muestra cómo entrenar una red neuronal con datos tabulares. (Desde R2023b) - In-Context Learning for Tabular Classification Using a Prior-Data Fitted Network
This example shows how to train a prior-data fitted network (PFN) to classify tabular data. (Desde R2026a)
Flujos de trabajo de datos de secuencia
- Training Neural Networks with Time Series Data
Learn about training neural networks with time series data. (Desde R2026a) - 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). - Compare Deep Learning and ARMA Models for Time Series Modeling
This example shows how to train and compare different models for time series modeling using the Time Series Modeler app. (Desde R2026a) - Clasificación de secuencias mediante deep learning
Este ejemplo muestra cómo clasificar datos secuenciales mediante una red de memoria de corto-largo plazo (LSTM). - 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). - Clasificación de secuencias mediante convoluciones 1D
En este ejemplo se muestra cómo clasificar datos secuenciales mediante una red neuronal convolucional 1D. - Train Network with LSTM Projected Layer
Train a deep learning network with an LSTM projected layer for sequence-to-label classification. - 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). - 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. - 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. - Train Speech Command Recognition Model Using Deep Learning
This example shows how to train a deep learning model that detects the presence of speech commands in audio. - Chemical Process Fault Detection Using Deep Learning
Use simulation data to train a neural network than can detect faults in a chemical process. - Estimación del estado de carga de una batería utilizando deep learning
Defina los requisitos, prepare los datos, entrene las redes de deep learning, verifique su solidez, integre redes en Simulink y despliegue modelos. (Desde R2024b) - Autoregressive Time Series Prediction Using Deep Learning
This example shows how to interactively train an autoregressive deep neural network using the Time Series Modeler app to predict electricity consumption. (Desde R2026a) - Denoise ECG Signals Using Deep Learning
This example shows how to interactively train deep neural networks to remove noise from heartbeat electrocardiogram (ECG) signals using the Time Series Modeler app. (Desde R2026a) - Build Transformer Network for Time Series Regression
This example shows how to interactively build and train a transformer network to predict engine torque using the Time Series Modeler app. (Desde R2026a) - Create Virtual Sensors Interactively Using Deep Learning and Generate C Code for Deployment
This example shows how to interactively train a deep neural network as a virtual sensor to predict battery state of charge using the Time Series Modeler app. (Desde R2026a)
Flujos de trabajo de datos de imagen
- 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. - Multilabel Image Classification Using Deep Learning
This example shows how to use transfer learning to train a deep learning model for multilabel image classification. - Build Image-to-Image Regression Network Using Deep Network Designer
This example shows how to use Deep Network Designer to construct an image-to-image regression network for super resolution.
Ejemplos destacados
Preparar una red para la transferencia del aprendizaje mediante Deep Network Designer
Ajuste de manera interactiva una red de deep learning preentrenada para aprender una tarea nueva de clasificación de imágenes.
Time Series Anomaly Detection Using Deep Learning
Detect anomalies in sequence or time series data.
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.
Adapt Pretrained Audio Network for New Data Using Deep Network Designer
Interactively adapt a pretrained network to classify new audio signals using Deep Network Designer.
Classify Videos Using Deep Learning
Create a network for video classification by combining a pretrained image classification model and an LSTM network.
Train Neural ODE Network
Train an augmented neural ordinary differential equation (ODE) network.
Create and Train NARX Network for Time Series Forecasting
Create and train a NARX network for time series forecasting and test its predictions in MATLAB® and Simulink®.
Compare Deep Learning Networks for Credit Default Prediction
Create, train, and compare three deep learning networks for predicting credit default probability.
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.
Chemical Process Fault Detection Using Deep Learning
Use simulation data to train a neural network than can detect faults in a chemical process.
Solve PDE Using Fourier Neural Operator
Train a Fourier neural operator (FNO) neural network that outputs the solution of a partial differential equation (PDE).
