Esta página es para la versión anterior. La página correspondiente en inglés ha sido eliminada en la versión actual.
Redes preentrenadas
Use la transferencia del aprendizaje para sacar partido de los conocimientos proporcionados por una red preentrenada para aprender nuevos patrones en datos de imagen nuevos. Ajustar una red de clasificación de imágenes preentrenada con transferencia del aprendizaje suele ser más rápido y fácil que entrenarla desde cero. Usar redes profundas preentrenadas permite crear rápidamente modelos para nuevas tareas sin tener que definir y entrenar una nueva red ni disponer de millones de imágenes o de una GPU potente. Para explorar las redes preentrenadas disponibles, utilice Deep Network Designer.
Apps
| Deep Network Designer | Diseñar y visualizar redes de deep learning |
Funciones
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.
- Retrain Neural Network to Classify New Images
This example shows how to retrain a pretrained SqueezeNet neural network to perform classification on a new collection of images.
- 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.
- Data Sets for Deep Learning
Discover data sets for various deep learning tasks.
Ejemplos destacados
Clasificar una imagen con GoogLeNet
Este ejemplo muestra cómo clasificar una imagen usando una red neuronal convolucional profunda preentrenada, GoogLeNet.
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.
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.
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.
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.
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.
