Main Content

La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Flujos de trabajo de datos de características numéricos y de secuencias

Cree y entrene redes neuronales de clasificación, regresión y predicción para secuencias y datos en tablas

Para secuencias, series temporales y datos en tablas, cree y entrene redes neuronales de perceptrón multicapa (MLP), redes neuronales de memoria de corto-largo plazo (LSTM) y redes neuronales convolucionales (CNN). Puede crear y entrenar redes neuronales para tareas de clasificación, regresión y predicción. También puede entrenar redes neuronales con datos de texto usando capas de word embedding (requiere Text Analytics Toolbox™) o sobre datos de sonido mediante espectrogramas (requiere Audio Toolbox™).

Entrene redes neuronales de secuencia a uno y de secuencia a secuencia utilizando las funciones trainNetwork y trainingOptions, o defina un bucle de entrenamiento personalizado utilizando objetos dlnetwork o funciones de objeto dlarray.

Puede entrenar una red neuronal en una CPU, una GPU, varias CPU o GPU, o en paralelo en un cluster o en la nube. Para entrenar una red en una GPU o en paralelo, es necesario utilizar Parallel Computing Toolbox™. Para usar una GPU, es necesario contar con un dispositivo con GPU compatible (para obtener información sobre los dispositivos compatibles, consulte GPU Computing Requirements (Parallel Computing Toolbox)). Especifique el entorno de ejecución con la función trainingOptions.

Puede monitorizar el progreso del entrenamiento usando gráficas integradas de precisión y pérdida de red, y puede investigar redes entrenadas usando técnicas de visualización como Grad-CAM.

Cuando tiene una red entrenada, puede verificar su solidez, calcular los límites de salida de la red y encontrar ejemplos adversatorios. También puede usar una red entrenada en modelos de Simulink® usando bloques de la biblioteca de bloques Deep Neural Networks.

Categorías