使用 MATLAB 进行深度学习
查看时间表并报名课程详细信息
本课程为期两天，全面介绍使用 MATLAB® 进行实际的深度学习。参加者将学习如何创建，训练和评估不同种类的深度神经网络。该讲师指导的培训使用 NVIDIA GPU 加速网络训练。
内容包括：
- 导入图像和序列数据
- 使用卷积神经网络进行图像分类，回归和其他图像应用
- 使用长短期记忆网络进行序列分类和预测
- 修改常见的网络结构解决自定义问题
- 修改训练选项来改善网络效率
MATLAB 深度学习由 NVIDIA's Deep Learning Institute （深度学习学院）提供技术支持。Deep Learning Institute 还提供由 GPU 支持的专门培训。查看其针对特定行业的内容以及高级 CUDA 编程课程。
第1天 (共2天)
使用迁移学习进行图像分类
目标: 使用预训练网络执行图像分类。使用迁移学习训练自定义分类网络。
- 预训练网络
- 图像数据存储
- 迁移学习
- 网络评估
解释网络行为
目标: 对通过网络的图像数据进行可视化以了解网络如何运算。将该技术应用于不同种类的图像。
- 激活
- 特征提取用于机器学习
创建网络
目标: 从头开始建立卷积网络。理解网络层次之间如何传递信息，以及不同层级如何工作。
- 训练新建网络
- 神经网络
- 卷积层和过滤器
第2天 (共2天)
训练网络和提高性能
目标: 理解训练算法如何工作。设置训练选项来检测和控制训练。选择和修改训练算法选项，网络结构，或者训练数据来改善网络效率。
- 训练网络
- 训练过程绘图
- 验证
- 训练选项
- 有向无环图
- 数据集增广
执行图像回归
目标: 创建卷积网络来预测连续数据响应。
- 回归网络迁移学习
- 回归网络评估指标
利用深度学习实现计算机视觉
目标: 训练网络定位和标明图像中特定对象。
- 图像应用工作流程
- 语义分割
序列数据分类和预测
目标: 建立和训练网络进行有序序列数据分类，例如时间序列和传感器数据。使用循环网络创建预测序列。
- 长短期记忆网络
- 序列分类
- 序列预处理
- 序列预测
