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.

Redes preentrenadas

Use redes de imágenes preentrenadas para aprender rápidamente nuevas tareas

Use la transferencia del aprendizaje para sacar partido de los conocimientos proporcionados por una red preentrenada para aprender nuevos patrones en datos de imagen nuevos. Ajustar una red de clasificación de imágenes preentrenada con transferencia del aprendizaje suele ser más rápido y fácil que entrenarla desde cero. Usar redes profundas preentrenadas permite crear rápidamente modelos para nuevas tareas sin tener que definir y entrenar una nueva red ni disponer de millones de imágenes o de una GPU potente. Para explorar las redes preentrenadas disponibles, utilice Deep Network Designer.

Apps

Deep Network Designer

Diseñar, visualizar y entrenar redes de deep learning

Funciones

expandir todo

Entrenar la red

`trainingOptions`	Opciones para entrenar una red neuronal de deep learning
`trainNetwork`	Entrenar redes neuronales de deep learning
`analyzeNetwork`	Analyze deep learning network architecture

Redes preentrenadas

`squeezenet`	Red neuronal convolucional SqueezeNet
`googlenet`	Red neuronal convolucional GoogLeNet
`inceptionv3`	Red neuronal convolucional Inception-v3
`densenet201`	Red neuronal convolucional DenseNet-201
`mobilenetv2`	Red neuronal convolucional MobileNet-v2 (desde R2019a)
`resnet18`	Red neuronal convolucional ResNet-18
`resnet50`	Red neuronal convolucional ResNet-50
`resnet101`	Red neuronal convolucional ResNet-101
`xception`	Red neuronal convolucional Xception (desde R2019a)
`inceptionresnetv2`	Red neuronal convolucional Inception-ResNet-v2 preentrenada
`nasnetlarge`	Red neuronal convolucional NASNet-Large preentrenada (desde R2019a)
`nasnetmobile`	Pretrained NASNet-Mobile convolutional neural network (desde R2019a)
`shufflenet`	Pretrained ShuffleNet convolutional neural network (desde R2019a)
`darknet19`	DarkNet-19 convolutional neural network (desde R2020a)
`darknet53`	DarkNet-53 convolutional neural network (desde R2020a)
`efficientnetb0`	Red neuronal convolucional EfficientNet-b0 (desde R2020b)
`alexnet`	Red neuronal convolucional AlexNet
`vgg16`	Red neuronal convolucional VGG-16
`vgg19`	Red neuronal convolucional VGG-19

Predicción

`classify`	Classify data using trained deep learning neural network
`predict`	Predict responses using trained deep learning neural network
`activations`	Calcular las activaciones de las capas de una red de deep learning
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

Bloques

expandir todo

Redes neuronales profundas

Predict	Predecir respuestas usando una red neuronal de deep learning entrenada (desde R2020b)
Image Classifier	Clasificar datos con una red neuronal de deep learning entrenada (desde R2020b)

Temas

Clasificar imágenes de una webcam mediante deep learning
Este ejemplo muestra cómo clasificar imágenes de una webcam en tiempo real usando una red neuronal convolucional profunda preentrenada, GoogLeNet.
Entrenar redes de deep learning para clasificar nuevas imágenes
Este ejemplo muestra cómo usar la transferencia del aprendizaje para volver a entrenar una red neuronal convolucional para clasificar un nuevo conjunto de imágenes.
Transferencia del aprendizaje mediante una red preentrenada
Este ejemplo muestra cómo ajustar una red neuronal convolucional GoogLeNet preentrenada para clasificar una nueva colección de imágenes.
Redes neuronales profundas preentrenadas
Aprenda a descargar y utilizar redes neuronales convolucionales preentrenadas para clasificación, transferencia del aprendizaje y extracción de características.
Deep learning en MATLAB
Descubra las prestaciones de deep learning en MATLAB^® utilizando redes neuronales convolucionales para clasificación y regresión, incluidas redes preentrenadas y transferencia del aprendizaje, así como entrenamiento en unidades de procesamiento gráfico (GPU), unidades CPU, clusters y nubes.
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.

Ejemplos destacados

Clasificar una imagen con GoogLeNet

Este ejemplo muestra cómo clasificar una imagen usando una red neuronal convolucional profunda preentrenada, GoogLeNet.

Abrir script en vivo

Extraer características de imágenes con una red preentrenada

Este ejemplo muestra cómo extraer características de imagen aprendidas de una red neuronal convolucional preentrenada y cómo utilizar esas características para entrenar un clasificador de imágenes. La extracción de características es la forma más rápida y sencilla de utilizar la capacidad de representación de las redes profundas preentrenadas. Por ejemplo, puede entrenar una máquina de vectores de soporte (SVM) utilizando fitcecoc (Statistics and Machine Learning Toolbox™) en las características extraídas. Como la extracción de características solo requiere una única pasada por los datos, es un buen punto de partida si no tiene una GPU con la que acelerar el entrenamiento de la red.

Abrir script en vivo

Transferencia del aprendizaje con Deep Network Designer

Ajuste de manera interactiva una red de deep learning preentrenada para aprender una tarea nueva de clasificación de imágenes.

Abrir script en vivo

Convertir una red de clasificación en una red de regresión

En este ejemplo se muestra cómo convertir una red de clasificación entrenada en una red de regresión.

Abrir script en vivo

Clasificar imágenes en Simulink con GoogLeNet

En este ejemplo se muestra cómo clasificar una imagen en Simulink® usando el bloque Image Classifier. En este ejemplo se usa la red neuronal convolucional profunda preentrenada GoogLeNet para llevar a cabo una clasificación.

Abrir script