Main Content

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.

Flujos de trabajo de datos de imagen

Use redes preentrenadas o cree y entrene redes desde cero para la clasificación y regresión de imágenes

Use la transferencia del aprendizaje para sacar partido de los conocimientos proporcionados por una red preentrenada para aprender nuevos patrones en datos de imagen nuevos. Ajustar una red de clasificación de imágenes preentrenada con transferencia del aprendizaje suele ser más rápido y fácil que entrenarla desde cero. Usar redes profundas preentrenadas permite crear rápidamente modelos para nuevas tareas sin tener que definir y entrenar una nueva red ni disponer de millones de imágenes o de una GPU potente. También puede crear nuevas redes profundas para tareas de clasificación y regresión de imágenes definiendo la arquitectura de la red y entrenando la red desde cero.

Puede entrenar la red utilizando la función trainNetwork y trainingOptions, o puede especificar un bucle de entrenamiento personalizado utilizando objetos dlnetwork o funciones de objeto dlarray.

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.

Puede monitorizar el progreso del entrenamiento usando gráficas integradas de precisión y pérdida de red, y puede investigar redes entrenadas usando técnicas de visualización como Grad-CAM, sensibilidad de oclusión, LIME y Deep Dream.

Cuando tiene una red entrenada, puede verificar su solidez, calcular los límites de salida de la red y encontrar ejemplos adversatorios. También puede usar una red entrenada en modelos de Simulink® usando bloques de la biblioteca de bloques Deep Neural Networks.

Categorías