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 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 Definir capas de deep learning personalizadas. 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 tiene una función de pérdida que la función trainnet no admite, puede definir un bucle de entrenamiento personalizado. Para los modelos que no se pueden especificar como redes de capas, puede definir el modelo 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
`dims`	Etiquetas de dimensión de `dlarray`
`finddim`	Find dimensions with specified label
`stripdims`	Remove `dlarray` data format
`extractdata`	Extraer datos de `dlarray`
`isdlarray`	Check if object is `dlarray` (desde R2020b)

Operaciones de deep learning

`dlconv`	Deep learning convolution
`dltranspconv`	Deep learning transposed convolution
`lstm`	Memoria de corto-largo plazo
`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
`dlode45`	Deep learning solution of nonstiff ordinary differential equation (ODE) (desde R2021b)
`batchnorm`	Normalize data across all observations for each channel independently
`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
`maxpool`	Pool data to maximum value
`maxunpool`	Unpool the output of a maximum pooling operation

Activaciones

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

Operaciones de pérdida

`crossentropy`	Cross-entropy loss for classification tasks
`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`	Error cuadrático medio dividido
`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.

Información relacionada

Ejemplos destacados

Train a Twin Network for Dimensionality Reduction

Train a twin neural network with shared weights to compare handwritten digits using dimensionality reduction.

Abrir script en vivo

Train a Twin Neural Network to Compare Images

Train a twin neural network with shared weights to identify similar images of handwritten characters.

Abrir script en vivo

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

Abrir script en vivo

Sequence-to-Sequence Translation Using Attention

Convert decimal strings to Roman numerals using a recurrent sequence-to-sequence encoder-decoder model with attention.

Abrir script en vivo

Dynamical System Modeling Using Neural ODE

Train a neural network with neural ordinary differential equations (ODEs) to learn the dynamics of a physical system.

Abrir script en vivo

Node Classification Using Graph Convolutional Network

Classify nodes in a graph using a graph convolutional network (GCN).

Abrir script en vivo

Multilabel Graph Classification Using Graph Attention Networks

Classify graphs that have multiple independent labels using graph attention networks (GATs).

Abrir script en vivo

Train Latent ODE Network with Irregularly Sampled Time-Series Data

Train a latent ordinary differential equation (ODE) autoencoder with time-series data that is sampled at irregular time intervals.

Abrir script en vivo

Multivariate Time Series Anomaly Detection Using Graph Neural Network

Detect anomalies in multivariate time series data using a graph neural network (GNN).

Abrir script en vivo