利用matlab2017进行深度学习

Matlab一直以来都有着神经网络工具箱,而从2016的版本开始,提供深度神经网络的相关工具。而到现如今2017的版本,功能更加完善,因此本人在此总结Matlab 2017所包含的深度学习的功能。

如今版本的Matlab已经包含的如下功能

Ø  利用自己的数据微调训练好的网络迁移学习

Ø  获取已经训练好的神经网络

              包含AlexnetVGG16VGG19

Ø  提供了方便的窗口式的神经网络工具箱

              Neural Newwork Time Series Tool神经网络时间序列工具,可训练RNN

        Neural Pattern Recognition app 神经网络特征识别工具

        Neural Fitting app 神经网络拟合工具

        Nerual Clustering app 神经网络聚类工具

Ø  使用深度神经网络进行分类回归

Ø  使用超过内存大小的数据集来训练网络

Ø  训练用于目标检测的神经网络

Ø  特征网络可视化

Ø  在个人电脑或者云端使用CPUGPU、多个GPU加速训练

              当前版本GPU计算性能高于2.0的都使用GPU加速

Ø  提供了经典的神经网络应用例子与教程(附代码)

              例如,MNIST手写体识别,Deep DreamFast-RCNN物体检测

Ø  提供了官方的Caffe接口

              载入Caffe模型

Ø  提供了一系列预处理工具

              自动修改训练集图片文件名

Ø  提供了神经网络控制系统工具箱

 

1  Matlab 2017支持的层与网络(在matlab命令行中输入doc+类名可查看使用方法)

类型

类名(构造方法)

含义

inputLayer

图像输入层

convolutional2dLayer

2D卷基层

reluLayer

ReLU

crossChannelNormalizationLayer

归一化层(batch normalization

AveragePooling2DLayer

平均Pooling

MaxPooling2DLayer

Max Pooling

FullyConnectedLayer

全连接层

DropoutLayer

Dropout层(防止过拟合)

SoftmaxLayer

Softmax

ClassificationOutputLayer

分类输出层(默认损失函数为交叉熵)

RegressionOutputLayer

回归输出层(默认损失函数为MSE

Autoencoder

自编码层

时序网络

timedelaynet

时间延迟神经网络

layrecnet

循环神经网络

narnet

非线性自回归神经网络

narxnet

具有外部输入的非线性自回归神经网络

distdelaynet

分布式延迟网络

回归网络

(MSE)

cascadeforwardnet

级联神经网络

feedforwardnet

前馈神经网络

fitnet

函数拟合神经网络

识别分类网络

lvqnet

学习向量量化神经网络

patternnet

模式识别网络

神经网络聚类

selforgmap

自组织网络

competlayer

竞争层

阅读更多

没有更多推荐了,返回首页