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.

Entrenar redes neuronales profundas

Entrene redes usando funciones de entrenamiento integradas y bucles de entrenamiento personalizados

Después de definir la arquitectura de red, podrá definir los parámetros de entrenamiento con la función trainingOptions. Luego, podrá entrenar la red con trainNetwork. Utilice la red entrenada para predecir etiquetas de clase o respuestas numéricas.

Puede entrenar una red neuronal en una CPU, una GPU, varias CPU o GPU, o en paralelo en un cluster o en la nube. Para entrenar una red en una GPU o en paralelo, es necesario utilizar Parallel Computing Toolbox™. Para usar una GPU, es necesario contar con un dispositivo con GPU compatible (para obtener información sobre los dispositivos compatibles, consulte GPU Computing Requirements (Parallel Computing Toolbox)). Especifique el entorno de ejecución con la función trainingOptions.

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. En el caso de las redes que no se pueden crear mediante gráficas de capa, puede definir redes personalizadas como una función. Para obtener más información, consulte Define Custom Training Loops, Loss Functions, and Networks.

Ejemplos destacados

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

Train Simple Semantic Segmentation Network in Deep Network Designer

Create and train a simple semantic segmentation network using Deep Network Designer.

Abrir script en vivo

Pronóstico de series de tiempo mediante deep learning

Este ejemplo muestra cómo pronosticar datos de series de tiempo mediante una red de memoria de corto-largo plazo (LSTM).

Abrir script en vivo

Train Residual Network for Image Classification

Create a deep learning neural network with residual connections and train it on CIFAR-10 data. Residual connections are a popular element in convolutional neural network architectures. Using residual connections improves gradient flow through the network and enables training of deeper networks.

Abrir script en vivo