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
`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`

Operaciones de deep learning

`dlconv`	Deep learning convolution
`dltranspconv`	Deep learning transposed convolution
`lstm`	Memoria de corto-largo plazo
`gru`	Gated recurrent unit
`attention`	Dot-product attention
`embed`	Embed discrete data
`fullyconnect`	Sum all weighted input data and apply a bias
`dlode45`	Deep learning solution of nonstiff ordinary differential equation (ODE)
`batchnorm`	Normalize data across all observations for each channel independently
`crosschannelnorm`	Cross channel square-normalize using local responses
`groupnorm`	Normalize data across grouped subsets of channels for each observation independently
`instancenorm`	Normalize across each channel for each observation independently
`layernorm`	Normalize data across all channels for each observation independently
`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
`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
`l2loss`	L₂ loss for regression tasks
`huber`	Huber loss for regression tasks
`mse`	Half mean squared error
`ctc`	Connectionist temporal classification (CTC) loss for unaligned sequence classification

Aceleración de funciones

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

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.