深度学习基础知识

导入、构建、训练、调节、可视化、验证和导出深度神经网络

Deep Learning Toolbox™ 为深度学习工作流的每个阶段提供工具。

使用命令行函数和交互式 App 为深度网络训练预处理数据。
从 MATLAB^® 或外部平台（如 TensorFlow™ 2、TensorFlow-Keras、PyTorch^® 和 ONNX™）导入预训练网络。
使用命令行函数或以交互方式使用深度网络设计器构建网络。
选择训练选项，并使用内置训练函数或自定义训练循环来训练网络。
通过使用试验管理器调节超参数或运行多次试验来提高网络性能。
在训练期间和训练后，可视化并验证网络行为。
将网络导出到外部平台，如 TensorFlow 2 和 ONNX。

类别

为深度神经网络预处理数据
管理和预处理深度学习数据
导入深度神经网络
加载内置的预训练网络并从外部平台导入网络
构建深度神经网络
使用命令行函数或以交互方式使用深度网络设计器构建网络
训练深度神经网络
使用内置训练函数或自定义训练循环来训练网络
调节深度神经网络
以编程方式和交互方式调整训练选项，从检查点继续训练，并研究对抗示例
可视化和验证深度神经网络
可视化网络行为、解释预测和验证稳健性
导出深度神经网络
将网络导出到外部深度学习平台

精选示例

使用 GoogLeNet 对图像进行分类

此示例说明如何使用预训练的深度卷积神经网络 GoogLeNet 对图像进行分类。

打开实时脚本

使用深度网络设计器进行迁移学习

以交互方式微调预训练的深度学习网络以学习新的图像分类任务。

打开实时脚本

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。卷积神经网络是深度学习的基本工具，尤其适用于图像识别。

打开实时脚本

针对回归训练卷积神经网络

此示例说明如何使用卷积神经网络拟合回归模型来预测手写数字的旋转角度。

打开实时脚本

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

训练生成对抗网络 (GAN)

此示例说明如何训练生成对抗网络来生成图像。

打开实时脚本

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

打开实时脚本

Create a Deep Learning Experiment for Classification

Train a deep learning network for classification using Experiment Manager.

自 R2020a 起

打开脚本

Grad-CAM Reveals the Why Behind Deep Learning Decisions

Use the gradient-weighted class activation mapping (Grad-CAM) technique to understand why a deep learning network makes its classification decisions. Grad-CAM, invented by Selvaraju and coauthors [1], uses the gradient of the classification score with respect to the convolutional features determined by the network in order to understand which parts of the image are most important for classification. This example uses the GoogLeNet pretrained network for images.

打开实时脚本