帮助中心帮助中心

本页翻译不是最新的。点击此处可查看最新英文版本。

构建和训练网络

为序列和表格数据创建深度神经网络，并从头开始训练

通过定义网络架构并从头开始训练网络，为分类、回归和预测任务创建新的深度网络。

定义网络架构后，您可以使用 trainingOptions 函数定义训练参数。然后，您可以使用 trainNetwork 或 trainnet 训练网络。使用经过训练的网络预测类标签或数值响应，或预测将来的时间步。如果 trainingOptions 函数不提供任务所需的训练选项，或者自定义输出层不支持所需的损失函数，则您可以定义自定义训练循环。

您可以在一个 CPU、一个 GPU、多个 CPU 或 GPU 上训练神经网络，或者在集群中并行训练或在云中训练。在 GPU 上训练或并行训练需要 Parallel Computing Toolbox™。使用 GPU 需要支持的 GPU 设备（有关受支持设备的信息，请参阅GPU Computing Requirements (Parallel Computing Toolbox)）。使用 trainingOptions 函数指定执行环境。

相关主题

类别

构建深度神经网络
使用 MATLAB^® 代码或以交互方式使用深度网络设计器为序列和表格数据构建网络
内置训练
使用内置训练函数为序列和表格数据训练深度学习网络
自定义训练循环
为序列和表格数据自定义深度学习训练循环和损失函数

精选示例

使用深度学习进行时间序列预测

使用深度学习进行时间序列预测

此示例说明如何使用长期短期记忆 (LSTM) 网络预测时间序列数据。

打开实时脚本

使用深度学习进行序列分类

使用深度学习进行序列分类

此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据进行分类。

打开实时脚本

使用深度学习进行“序列到序列”分类

使用深度学习进行“序列到序列”分类

此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据的每个时间步进行分类。

打开实时脚本

使用深度学习进行“序列到序列”回归

使用深度学习进行“序列到序列”回归

此示例说明如何使用深度学习预测发动机的剩余使用寿命 (RUL)。

打开实时脚本

使用深度学习训练语音命令识别模型

使用深度学习训练语音命令识别模型

此示例说明如何训练一个深度学习模型来检测音频中是否存在语音命令。此示例使用语音命令数据集 [1] 来训练卷积神经网络，以识别一组命令。

打开实时脚本

Chemical Process Fault Detection Using Deep Learning

Chemical Process Fault Detection Using Deep Learning

Use simulation data to train a neural network than can detect faults in a chemical process.

打开实时脚本

Predict Battery State of Charge Using Deep Learning

Predict Battery State of Charge Using Deep Learning

Train a neural network to predict the state of charge of a battery by using deep learning.

打开实时脚本