Aspectos básicos de deep learning

Importe, cree, entrene, ajuste, visualice, verifique y exporte redes neuronales profundas

Deep Learning Toolbox™ ofrece herramientas para cada estadio del flujo de trabajo de deep learning.

Preprocese datos para entrenar la red profunda usando funciones de línea de comandos y apps interactivas.
Importe redes preentrenadas desde MATLAB^® o plataformas externas tales como TensorFlow™ 2, TensorFlow-Keras, PyTorch^® y ONNX™.
Cree redes usando funciones de línea de comandos o de forma interactiva con la app Deep Network Designer.
Seleccione opciones de entrenamiento y entrene redes usando funciones de entrenamiento integradas y bucles de entrenamiento personalizados.
Mejore el rendimiento de la red ajustando los hiperparámetros o llevando a cabo varias pruebas con la app Experiment Manager.
Visualice y verifique el comportamiento de la red durante el entrenamiento y después de este.
Exporte redes a plataformas externas tales como TensorFlow 2 y ONNX.

Temas consultados con frecuencia

Deep learning workflow: preprocess data, import or build network, train network, tune network, visualize and verify results, and export network

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

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.

Abrir script en vivo

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.

Abrir script en vivo

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.

Abrir script en vivo

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 Generative Adversarial Network (GAN)

Train a generative adversarial network to generate images.

Abrir script en vivo

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

Abrir script en vivo

Create a Deep Learning Experiment for Classification

Train a deep learning network for classification using Experiment Manager.

Desde R2020a

Abrir script

Grad-CAM revela cómo se realiza la toma de decisiones en deep learning

En este ejemplo se muestra cómo utilizar la técnica de aplicación de activación de clase ponderada por gradiente (Grad-CAM) para entender por qué una red de deep learning toma unas decisiones de clasificación concretas. Grad-CAM, inventado por Selvaraju y otros autores [1], utiliza el gradiente de la puntuación de clasificación con respecto a las características convolucionales determinadas por la red para entender qué partes de la imagen son más importantes para la clasificación. En este ejemplo se usa la red preentrenada GoogLeNet para las imágenes.

Abrir script en vivo