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 la función trainnet. 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. 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.

Ejemplos destacados

Preparar una red para la transferencia del aprendizaje mediante 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

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

Entrenar una red residual para clasificar imágenes

En este ejemplo se muestra cómo crear una red neuronal de deep learning con conexiones residuales y entrenarla con datos CIFAR-10. Las conexiones residuales son un elemento popular en las arquitecturas de red neuronal convolucional. El uso de conexiones residuales mejora el flujo de gradiente a través de la red y permite el entrenamiento de redes más profundas.

Abrir script en vivo