内置训练

使用内置训练函数训练图像数据的深度学习网络

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 trainnet 函数训练网络。使用经过训练的网络预测类标签或数值响应。

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。

App

深度网络设计器

设计和可视化深度学习网络

函数

全部展开

训练网络

`trainingOptions`	Options for training deep learning neural network
`trainnet`	Train deep learning neural network (自 R2023b 起)
`analyzeNetwork`	Analyze deep learning network architecture

预测

`predict`	Compute deep learning network output for inference (自 R2019b 起)
`minibatchpredict`	Mini-batched neural network prediction (自 R2024a 起)
`scores2label`	Convert prediction scores to labels (自 R2024a 起)
`confusionchart`	Create confusion matrix chart for classification problem
`sortClasses`	Sort classes of confusion matrix chart

主题

创建简单的深度学习神经网络以用于分类
此示例说明如何创建和训练简单的卷积神经网络来进行深度学习分类。
针对回归训练卷积神经网络
此示例说明如何训练卷积神经网络来预测手写数字的旋转角度。
在 MATLAB 中进行深度学习
通过使用卷积神经网络进行分类和回归来探索 MATLAB^® 的深度学习能力，包括预训练网络和迁移学习，以及在 GPU、CPU、集群和云上进行训练。
Deep Learning Tips and Tricks
Learn how to improve the accuracy of deep learning networks.
Speed Up Deep Neural Network Training
Learn how to accelerate deep neural network training.
Data Sets for Deep Learning
Discover data sets for various deep learning tasks.

精选示例

训练残差网络进行图像分类

此示例说明如何创建包含残差连接的深度学习神经网络，并针对 CIFAR-10 数据对其进行训练。残差连接是卷积神经网络架构中的常见元素。使用残差连接可以改善网络中的梯度流，从而可以训练更深的网络。

打开实时脚本

将分类网络转换为回归网络

此示例说明如何将经过训练的分类网络转换为回归网络。

打开实时脚本

Train Network on Image and Feature Data

Train a network that classifies handwritten digits using both image and feature input data.

打开实时脚本

Build Image-to-Image Regression Network Using Deep Network Designer

Use Deep Network Designer to construct an image-to-image regression network for super resolution.

打开实时脚本

Multilabel Image Classification Using Deep Learning

Use transfer learning to train a deep learning model for multilabel image classification.

打开实时脚本

Train Neural ODE Network

Train an augmented neural ordinary differential equation (ODE) network.

打开实时脚本

Lane and Vehicle Detection in Simulink Using Deep Learning

Use deep convolutional neural networks inside a Simulink® model to perform lane and vehicle detection. This example takes the frames from a traffic video as an input, outputs two lane boundaries that correspond to the left and right lanes of the ego vehicle, and detects vehicles in the frame.

打开脚本