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.

Operaciones

Desarrollar funciones de deep learning personalizadas

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 especificar una función de pérdida personalizada usando una capa de salida personalizada y 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 más información, consulte Define Custom Deep Learning Layers. Para obtener una lista de capas compatibles, consulte Lista de capas de deep learning.

Si la función trainingOptions no proporciona las opciones de entrenamiento que necesita para la tarea, o si las capas de salida personalizadas no son compatibles con las funciones de pérdida que necesita, puede definir un bucle de entrenamiento personalizado. Para los modelos no admitidos por las gráficas de capa, puede definir un modelo personalizado como una función. Para obtener más información, consulte Define Custom Training Loops, Loss Functions, and Networks.

Utilice operaciones de deep learning para desarrollar código de MATLAB® para capas personalizadas, bucles de entrenamiento y funciones de modelo.

Funciones

expandir todo

dlarrayArreglo de deep learning para personalización (desde R2019b)
dimsEtiquetas de dimensión de dlarray (desde R2019b)
finddimFind dimensions with specified label (desde R2019b)
stripdimsRemove dlarray data format (desde R2019b)
extractdataExtraer datos de dlarray (desde R2019b)
isdlarrayCheck if object is dlarray (desde R2020b)
dlconvDeep learning convolution (desde R2019b)
dltranspconvDeep learning transposed convolution (desde R2019b)
lstmMemoria de corto-largo plazo (desde R2019b)
gruGated recurrent unit (desde R2020a)
attentionDot-product attention (desde R2022b)
embedEmbed discrete data (desde R2020b)
fullyconnectSum all weighted input data and apply a bias (desde R2019b)
dlode45Deep learning solution of nonstiff ordinary differential equation (ODE) (desde R2021b)
batchnormNormalize data across all observations for each channel independently (desde R2019b)
crosschannelnormCross channel square-normalize using local responses (desde R2020a)
groupnormNormalize data across grouped subsets of channels for each observation independently (desde R2020b)
instancenormNormalize across each channel for each observation independently (desde R2021a)
layernormNormalize data across all channels for each observation independently (desde R2021a)
avgpoolPool data to average values over spatial dimensions (desde R2019b)
maxpoolPool data to maximum value (desde R2019b)
maxunpoolUnpool the output of a maximum pooling operation (desde R2019b)
reluAplicar la activación de unidad lineal rectificada (desde R2019b)
leakyreluApply leaky rectified linear unit activation (desde R2019b)
geluApply Gaussian error linear unit (GELU) activation (desde R2022b)
softmaxApply softmax activation to channel dimension (desde R2019b)
sigmoidAplicar la activación sigmoide (desde R2019b)
crossentropyCross-entropy loss for classification tasks (desde R2019b)
l1lossL1 loss for regression tasks (desde R2021b)
l2lossL2 loss for regression tasks (desde R2021b)
huberHuber loss for regression tasks (desde R2021a)
mseHalf mean squared error (desde R2019b)
ctcConnectionist temporal classification (CTC) loss for unaligned sequence classification (desde R2021a)
dlaccelerateAccelerate deep learning function for custom training loops (desde R2021a)
AcceleratedFunctionAccelerated deep learning function (desde R2021a)
clearCacheClear accelerated deep learning function trace cache (desde R2021a)

Temas

Diferenciación automática

Funciones de modelos

Aceleración de funciones de deep learning