Esta página es para la versión anterior. La página correspondiente en inglés ha sido eliminada en la versión actual.
Aspectos básicos de deep learning
Deep Learning Toolbox™ ofrece herramientas para cada estadio del flujo de trabajo de deep learning.
Preprocese datos para entrenar la red profunda usando funciones de línea de comandos y apps interactivas.
Importe redes preentrenadas desde MATLAB® o plataformas externas tales como TensorFlow™ 2, TensorFlow-Keras, PyTorch® y ONNX™.
Cree redes usando funciones de línea de comandos o de forma interactiva con la app Deep Network Designer.
Seleccione opciones de entrenamiento y entrene redes usando funciones de entrenamiento integradas y bucles de entrenamiento personalizados.
Mejore el rendimiento de la red ajustando los hiperparámetros o llevando a cabo varias pruebas con la app Experiment Manager.
Visualice y verifique el comportamiento de la red durante el entrenamiento y después de este.
Exporte redes a plataformas externas tales como TensorFlow 2 y ONNX.
Categorías
- Preprocesar datos para redes neuronales profundas
Preprocese y administre datos de deep learning
- Importar redes neuronales profundas
Cargue redes preentrenadas integradas e importe redes de plataformas externas
- Crear redes neuronales profundas
Cree redes usando funciones de línea de comandos o de forma interactiva con la app Deep Network Designer
- Entrenar redes neuronales profundas
Entrene redes usando funciones de entrenamiento integradas y bucles de entrenamiento personalizados
- Ajustar redes neuronales profundas
Ajuste las opciones de entrenamiento de forma programática e interactiva, reanude el entrenamiento desde un punto de control e investigue ejemplos adversarios
- Visualizar y verificar redes neuronales profundas
Visualice el comportamiento de la red, explique predicciones y verifique la solidez
- Exportar redes neuronales profundas
Exporte redes a plataformas de deep learning externas
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.
Crear una red neuronal de deep learning sencilla para clasificación
Este ejemplo muestra cómo crear y entrenar una red neuronal convolucional sencilla para la clasificación mediante deep learning.
Entrenar una red neuronal convolucional para regresión
Este ejemplo muestra cómo entrenar una red neuronal convolucional para predecir los ángulos de rotación de dígitos manuscritos.
Pronóstico de series de tiempo mediante deep learning
Este ejemplo muestra cómo pronosticar datos de series de tiempo mediante una red de memoria de corto-largo plazo (LSTM).
Train Generative Adversarial Network (GAN)
Train a generative adversarial network to generate images.
Image Captioning Using Attention
Train a deep learning model for image captioning using attention.
Create a Deep Learning Experiment for Classification
Train a deep learning network for classification using Experiment Manager.
Grad-CAM revela cómo se realiza la toma de decisiones en deep learning
En este ejemplo se muestra cómo utilizar la técnica de aplicación de activación de clase ponderada por gradiente (Grad-CAM) para entender por qué una red de deep learning toma unas decisiones de clasificación concretas. Grad-CAM, inventado por Selvaraju y otros autores [1], utiliza el gradiente de la puntuación de clasificación con respecto a las características convolucionales determinadas por la red para entender qué partes de la imagen son más importantes para la clasificación. En este ejemplo se usa la red preentrenada GoogLeNet para las imágenes.
Verify Robustness of Deep Learning Neural Network
Verify the adversarial robustness of a deep learning neural network.
