使用 MATLAB 进行深度学习
课程详细信息
本课程为期两天,全面介绍了实用 MATLAB®深度学习。学员将了解如何创建、训练和评估不同深度神经网络。本培训由教师引导,并使用 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,回归和目标检测
- 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 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。
Day 1 of 2
使用迁移学习进行图像分类
目标:课程概述,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:可视化通过网络的图像数据了解网络如何运算,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。
- 从头开始训练
- 神经网络
- 卷积层和过滤器
训练网络
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。
- 训练网络
- 训练过程绘图
- 确认
Day 2 of 2
改善网络性能
目标: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。
- 训练选项
- 有向无环图
- 增加数据存储
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
- 回归网络评估矩阵
图像检测目标
目标:训练网络定位和标明图像中具体对象。
- 目标检测
序列数据分类
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。
- 长短期记忆网络
- 序列分类
- 序列预处理
- 类别序列
生成输出序列
目标:使用递归网络创建预测序列。
- 序列分类
- 序列预测