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

Diferenciación automática

`dlarray`	Arreglo de deep learning para personalización (desde R2019b)
`dims`	Etiquetas de dimensión de `dlarray` (desde R2019b)
`finddim`	Find dimensions with specified label (desde R2019b)
`stripdims`	Remove `dlarray` data format (desde R2019b)
`extractdata`	Extraer datos de `dlarray` (desde R2019b)
`isdlarray`	Check if object is `dlarray` (desde R2020b)

Operaciones de deep learning

`dlconv`	Deep learning convolution (desde R2019b)
`dltranspconv`	Deep learning transposed convolution (desde R2019b)
`lstm`	Memoria de corto-largo plazo (desde R2019b)
`gru`	Gated recurrent unit (desde R2020a)
`attention`	Dot-product attention (desde R2022b)
`embed`	Embed discrete data (desde R2020b)
`fullyconnect`	Sum all weighted input data and apply a bias (desde R2019b)
`dlode45`	Deep learning solution of nonstiff ordinary differential equation (ODE) (desde R2021b)
`batchnorm`	Normalize data across all observations for each channel independently (desde R2019b)
`crosschannelnorm`	Cross channel square-normalize using local responses (desde R2020a)
`groupnorm`	Normalize data across grouped subsets of channels for each observation independently (desde R2020b)
`instancenorm`	Normalize across each channel for each observation independently (desde R2021a)
`layernorm`	Normalize data across all channels for each observation independently (desde R2021a)
`avgpool`	Pool data to average values over spatial dimensions (desde R2019b)
`maxpool`	Pool data to maximum value (desde R2019b)
`maxunpool`	Unpool the output of a maximum pooling operation (desde R2019b)

Activaciones

`relu`	Aplicar la activación de unidad lineal rectificada (desde R2019b)
`leakyrelu`	Apply leaky rectified linear unit activation (desde R2019b)
`gelu`	Apply Gaussian error linear unit (GELU) activation (desde R2022b)
`softmax`	Apply softmax activation to channel dimension (desde R2019b)
`sigmoid`	Aplicar la activación sigmoide (desde R2019b)

Operaciones de pérdida

`crossentropy`	Cross-entropy loss for classification tasks (desde R2019b)
`l1loss`	L₁ loss for regression tasks (desde R2021b)
`l2loss`	L₂ loss for regression tasks (desde R2021b)
`huber`	Huber loss for regression tasks (desde R2021a)
`mse`	Half mean squared error (desde R2019b)
`ctc`	Connectionist temporal classification (CTC) loss for unaligned sequence classification (desde R2021a)

Aceleración de funciones

`dlaccelerate`	Accelerate deep learning function for custom training loops (desde R2021a)
`AcceleratedFunction`	Accelerated deep learning function (desde R2021a)
`clearCache`	Clear accelerated deep learning function trace cache (desde R2021a)

Temas

Diferenciación automática

List of Functions with dlarray Support
View the list of functions that support dlarray objects.
Automatic Differentiation Background
Learn how automatic differentiation works.
Use Automatic Differentiation In Deep Learning Toolbox
How to use automatic differentiation in deep learning.

Funciones de modelos

Train Network Using Model Function
This example shows how to create and train a deep learning network by using functions rather than a layer graph or a dlnetwork.
Update Batch Normalization Statistics Using Model Function
This example shows how to update the network state in a network defined as a function.
Make Predictions Using Model Function
This example shows how to make predictions using a model function by splitting data into mini-batches.
Initialize Learnable Parameters for Model Function
Learn how to initialize learnable parameters for custom training loops using a model function.

Aceleración de funciones de deep learning

Deep Learning Function Acceleration for Custom Training Loops
Accelerate model functions and model loss functions for custom training loops by caching and reusing traces.
Accelerate Custom Training Loop Functions
This example shows how to accelerate deep learning custom training loop and prediction functions.
Check Accelerated Deep Learning Function Outputs
This example shows how to check that the outputs of accelerated functions match the outputs of the underlying function.
Evaluate Performance of Accelerated Deep Learning Function
This example shows how to evaluate the performance gains of using an accelerated function.