Main Content

本页翻译不是最新的。点击此处可查看最新英文版本。

图像数据工作流

使用预训练网络或从头开始创建和训练网络进行图像分类和回归

使用迁移学习以利用预训练网络所提供的知识来学习新图像数据中的新模式。通常来说,使用迁移学习对预训练的图像分类网络进行微调比从头开始训练更快更容易。使用预训练的深度网络,您可以针对新任务快速创建模型,而无需定义和训练新网络,也不需要使用数百万个图像或强大的 GPU。您还可以通过定义网络架构并从头开始训练网络,来创建新的用于图像分类和回归任务的深度网络。

您可以将 trainNetworktrainnettrainingOptions 函数结合使用来训练网络,也可以使用 dlnetwork 对象或 dlarray 对象函数指定自定义训练循环。

您可以在一个 CPU、一个 GPU、多个 CPU 或 GPU 上训练神经网络,或者在集群中并行训练或在云中训练。在 GPU 上训练或并行训练需要 Parallel Computing Toolbox™。使用 GPU 需要支持的 GPU 设备(有关受支持设备的信息,请参阅GPU Computing Requirements (Parallel Computing Toolbox))。使用 trainingOptions 函数指定执行环境。

您可以使用内置的网络准确度图和损失图来监控训练进度,还可以使用可视化方法(如 Grad-CAM、遮挡敏感度、LIME 和 Deep Dream)研究经过训练的网络。

有了经过训练的网络,您就可以验证其稳健性、计算网络输出边界和查找对抗示例。您还可以通过使用深度神经网络模块库中的模块,在 Simulink® 模型中使用经过训练的网络。

类别