Main Content

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

Temas

Diferenciación automática

Funciones de modelos

Aceleración de funciones de deep learning