本页对应的英文页面已更新,但尚未翻译。 若要查看最新内容,请点击此处访问英文页面。

Deep Learning Toolbox 快速入门

创建、分析和训练深度学习网络

Deep Learning Toolbox™(以前称为 Neural Network Toolbox™)提供了一个用于通过算法、预训练模型和 App 来设计和实现深度神经网络的框架。您可以使用卷积神经网络(ConvNet、CNN)和长短期记忆 (LSTM) 网络对图像、时序和文本数据执行分类和回归。您可以使用自定义训练循环、共享权重和自动微分来构建高级网络架构,如生成对抗网络 (GAN) 和孪生网络。App 和绘图帮助您可视化激活值、编辑和分析网络架构以及监控训练进度。

您可以通过 ONNX™ 格式与 TensorFlow™ 和 PyTorch 交换模型,并从 TensorFlow-Keras 和 Caffe 导入模型。工具箱支持通过预训练模型(包括 NASNet、SqueezeNet、Inception-v3 和 ResNet-101)进行迁移学习。

您可以在单 GPU 或多 GPU 工作站(需安装 Parallel Computing Toolbox™)上加快训练速度,或扩展到群集和云,包括 NVIDIA GPU Cloud DGX 系统和 Amazon EC2® GPU 实例(需安装 MATLAB® Parallel Server™)。

教程

  • Deep Network Designer 快速入门

    此示例说明如何微调预训练的 GoogLeNet 网络以对新的图像集合进行分类。此过程称为迁移学习,通常比训练新网络更快更容易,因为您可以使用较少数量的训练图像将已学习的特征应用于新任务。要以交互方式准备用于迁移学习的网络,请使用 Deep Network Designer。

  • 使用 10 行 MATLAB 代码尝试深度学习

    了解如何使用深度学习通过 AlexNet 预训练网络识别实时网络摄像头画面中的对象。

  • 使用预训练网络对图像进行分类

    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。

  • 迁移学习快速入门

    此示例说明如何使用迁移学习来重新训练 ResNet-18 预训练卷积神经网络以对新图像集进行分类。尝试此示例以了解在 MATLAB® 中进行深度学习有多么简单。

  • 创建简单的图像分类网络

    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。

  • 创建简单的序列分类网络

    此示例说明如何创建简单的长短期记忆 (LSTM) 分类网络。

浅层网络

特色示例

在线学习

深度学习入门之旅
此教程为免费课程,以交互方式介绍实用的深度学习方法,时长为两个小时。您将学习如何在 MATLAB 中使用深度学习方法进行图像识别。

视频

以交互方式修改深度学习网络以进行迁移学习
Deep Network Designer 是一个点选式工具,用于创建或修改深度神经网络。此视频说明如何在迁移学习工作流中使用该 App。它说明如何轻松地使用该工具修改所导入网络中的最后几个层,而不必通过命令行修改这些层。您可以使用网络分析器检查修改后的架构中的连接和属性分配错误。

使用 MATLAB 进行深度学习:使用 11 行 MATLAB 代码进行深度学习
了解如何使用 MATLAB、普通的网络摄像头和深度神经网络来识别周围环境中的物品。

使用 MATLAB 进行深度学习:使用 10 行 MATLAB 代码进行迁移学习
了解如何在 MATLAB 中使用迁移学习来针对您自己的数据或任务重新训练由专家创建的深度学习网络。