导入和构建深度神经网络
使用迁移学习以利用预训练网络所提供的知识来学习新数据中的新模式。通常来说，使用迁移学习对预训练网络进行微调比从头开始训练更快更容易。使用预训练的深度网络，您可以针对新任务快速创建模型，而无需定义和训练新网络，也不需要使用数百万个观测值或强大的 GPU。Deep Learning Toolbox™ 提供若干个适用于迁移学习的预训练网络。您还可以从外部平台导入网络，如 TensorFlow™ 2、TensorFlow-Keras、PyTorch®、ONNX™（开放式神经网络交换）模型格式和 Caffe。
如果迁移学习不适合您的任务，您可以使用 MATLAB® 代码或以交互方式使用深度网络设计器从头开始构建网络。如果内置层没有提供您的任务所需的层，则您可以定义自己的自定义深度学习层。您可以定义具有可学习参数和状态参数的自定义层。定义自定义层后，您可以检查该层是否有效，是否与 GPU 兼容，以及是否输出正确定义的梯度。对于无法指定为由层组成的网络的模型，可以将模型定义为函数。
类别
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。
使用深度网络设计器为迁移学习准备网络
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。
使用深度学习对网络摄像头图像进行分类
此示例说明如何使用预训练的深度卷积神经网络 GoogLeNet 实时对来自网络摄像头的图像进行分类。
使用 GoogLeNet 对 Simulink 中的图像进行分类
此示例说明如何使用 Image Classifier 模块对 Simulink® 中的图像进行分类。此示例使用预训练的深度卷积神经网络 GoogLeNet 执行分类。
Inference Comparison Between TensorFlow and Imported Networks for Image Classification
Perform prediction in TensorFlow with a pretrained network, import the network into MATLAB using importTensorFlowNetwork, and then compare
inference results between TensorFlow and MATLAB networks.
Classify Images in Simulink with Imported TensorFlow Network
Import a pretrained TensorFlow network using importTensorFlowNetwork, and then use the
Predict block for image classification in Simulink®.
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。
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.
深度网络设计器快速入门
此示例说明如何使用深度网络设计器创建一个简单的循环神经网络以用于深度学习序列分类。
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
Train a Twin Network for Dimensionality Reduction
Train a twin neural network with shared weights to compare handwritten digits using dimensionality reduction.
Train a Twin Neural Network to Compare Images
Train a twin neural network with shared weights to identify similar images of handwritten characters.
Image Captioning Using Attention
Train a deep learning model for image captioning using attention.
Sequence-to-Sequence Translation Using Attention
Convert decimal strings to Roman numerals using a recurrent sequence-to-sequence encoder-decoder model with attention.
Solve PDE Using Physics-Informed Neural Network
Train a physics-informed neural network (PINN) to predict the solutions of an partial differential equation (PDE).
Interpretable Time Series Forecasting Using a Temporal Fusion Transformer
Forecast electricity usage using an interpretable temporal fusion transformer (TFT).
