Redes preentrenadas integradas
Deep Learning Toolbox™ ofrece varias redes preentrenadas adecuadas para la transferencia del aprendizaje. La transferencia del aprendizaje es un proceso que consiste en elegir una red de deep learning preentrenada y ajustarla para aprender una tarea nueva. Utilizar la transferencia del aprendizaje es normalmente un proceso más rápido y sencillo que entrenar una red desde cero. Puede transferir de forma rápida las características aprendidas a una nueva tarea con menos cantidad de datos. Para explorar las redes preentrenadas disponibles, utilice Deep Network Designer. Para obtener más información, consulte Redes neuronales profundas preentrenadas.
Apps
| Deep Network Designer | Diseñar y visualizar redes de deep learning |
Funciones
imagePretrainedNetwork | Redes neuronales preentrenadas para imágenes (Desde R2024a) |
Bloques
Temas
- Clasificar imágenes de una webcam mediante deep learning
Este ejemplo muestra cómo clasificar imágenes de una webcam en tiempo real usando una red neuronal convolucional profunda preentrenada, GoogLeNet.
- Volver a entrenar redes neuronales para clasificar nuevas imágenes
En este ejemplo se muestra cómo volver a entrenar una red neuronal SqueezeNet preentrenada para clasificar una nueva colección de imágenes.
- Redes neuronales profundas preentrenadas
Aprenda a descargar y utilizar redes neuronales convolucionales preentrenadas para clasificación, transferencia del aprendizaje y extracción de características.
- Deep learning en MATLAB
Descubra las prestaciones de deep learning en MATLAB® utilizando redes neuronales convolucionales para clasificación y regresión, incluidas redes preentrenadas y transferencia del aprendizaje, así como entrenamiento en unidades de procesamiento gráfico (GPU), unidades CPU, clusters y nubes.
- Trucos y consejos de deep learning
Aprenda a mejorar la precisión de redes de deep learning.
Información relacionada
Ejemplos destacados
Clasificar una imagen con GoogLeNet
Este ejemplo muestra cómo clasificar una imagen usando una red neuronal convolucional profunda preentrenada, GoogLeNet.
Preparar una red para la transferencia del aprendizaje mediante Deep Network Designer
Ajuste de manera interactiva una red de deep learning preentrenada para aprender una tarea nueva de clasificación de imágenes.
Extraer características de imágenes con una red preentrenada
Este ejemplo muestra cómo extraer características de imagen aprendidas de una red neuronal convolucional preentrenada y cómo utilizar esas características para entrenar un clasificador de imágenes. La extracción de características es la forma más rápida y sencilla de utilizar la capacidad de representación de las redes profundas preentrenadas. Por ejemplo, puede entrenar una máquina de vectores de soporte (SVM) utilizando fitcecoc (Statistics and Machine Learning Toolbox™) en las características extraídas. Como la extracción de características solo requiere una única pasada por los datos, es un buen punto de partida si no tiene una GPU con la que acelerar el entrenamiento de la red.
Build Simple App for Deep Learning Inference Using App Designer
Use App Designer to create an app that can classify images using a deep neural network. You can modify the app for other types of deep learning inference, for example, sequence classification or image regression.
Clasificar imágenes en Simulink con GoogLeNet
En este ejemplo se muestra cómo clasificar una imagen en Simulink® usando el bloque Image Classifier. En este ejemplo se usa la red neuronal convolucional profunda preentrenada GoogLeNet para llevar a cabo una clasificación.
Adapt Pretrained Audio Network for New Data Using Deep Network Designer
Interactively adapt a pretrained network to classify new audio signals using Deep Network Designer.
Convertir una red de clasificación en una red de regresión
En este ejemplo se muestra cómo convertir una red de clasificación entrenada en una red de regresión.
Multilabel Image Classification Using Deep Learning
Use transfer learning to train a deep learning model for multilabel image classification.
Classify Videos Using Deep Learning
Create a network for video classification by combining a pretrained image classification model and an LSTM network.
