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.

Ajustar

Ajuste las opciones de entrenamiento de forma programática, reanude el entrenamiento desde un punto de control e investigue ejemplos adversarios

Para aprender a configurar las opciones con la función trainingOptions, consulte Configurar parámetros y entrenar una red neuronal convolucional. Una vez que haya identificado unas cuantas opciones de inicio válidas, podrá automatizar el barrido de hiperparámetros o probar la optimización bayesiana con Experiment Manager.

Investigue la solidez de la red generando ejemplos adversarios. Después, podrá usar el entrenamiento adversario con el método rápido de símbolo de gradiente (FGSM) para entrenar una red resistente a perturbaciones adversario.

Apps

Deep Network Designer

Diseñar y visualizar redes de deep learning

Objetos

trainingProgressMonitor Monitor and plot training progress for deep learning custom training loops (desde R2022b)

Funciones

`trainingOptions`	Opciones para entrenar una red neuronal de deep learning
`trainnet`	Train deep learning neural network (desde R2023b)

Temas

Configurar parámetros y entrenar una red neuronal convolucional
Aprenda a configurar los parámetros de entrenamiento de una red neuronal convolucional.
Deep learning usando la optimización bayesiana
En este ejemplo se muestra cómo aplicar la optimización bayesiana a deep learning y encontrar los hiperparámetros óptimos de la red, así como las opciones de entrenamiento para redes neuronales convolucionales.
Detect Issues During Deep Neural Network Training
This example shows how to automatically detect issues while training a deep neural network.
Train Deep Learning Networks in Parallel
This example shows how to run multiple deep learning experiments on your local machine.
Entrenar una red con un bucle de entrenamiento personalizado
En este ejemplo se muestra cómo entrenar una red que clasifica dígitos manuscritos con una programación de tasa de aprendizaje personalizada.
Compare Activation Layers
This example shows how to compare the accuracy of training networks with ReLU, leaky ReLU, ELU, and swish activation layers.
Trucos y consejos de deep learning
Aprenda a mejorar la precisión de redes de deep learning.
Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.
Specify Custom Weight Initialization Function
This example shows how to create a custom He weight initialization function for convolution layers followed by leaky ReLU layers.
Compare Layer Weight Initializers
This example shows how to train deep learning networks with different weight initializers.
Create Custom Deep Learning Training Plot
This example shows how to create a custom training plot that updates at each iteration during training of deep learning neural networks using trainnet. (desde R2023b)
Custom Stopping Criteria for Deep Learning Training
This example shows how to stop training of deep learning neural networks based on custom stopping criteria using trainnet. (desde R2023b)

Información relacionada

Gestionar experimentos

Ejemplos destacados

Resume Training from Checkpoint Network

Save checkpoint networks while training a deep learning network and resume training from a previously saved network.

Abrir script en vivo

Generate Untargeted and Targeted Adversarial Examples for Image Classification

Use the fast gradient sign method (FGSM) and the basic iterative method (BIM) to generate adversarial examples for a pretrained neural network.

Abrir script en vivo

Generate Adversarial Examples for Semantic Segmentation

Generate adversarial examples for a semantic segmentation network using the basic iterative method (BIM).

Abrir script en vivo

Train Image Classification Network Robust to Adversarial Examples

Train a neural network that is robust to adversarial examples using fast gradient sign method (FGSM) adversarial training.

Abrir script en vivo

Train Robust Deep Learning Network with Jacobian Regularization

Train a neural network that is robust to adversarial examples using a Jacobian regularization scheme.

Abrir script en vivo