本课程全面介绍了实用 MATLAB®深度学习。学员将了解如何创建、训练和评估不同深度神经网络。本培训由教师引导，并使用 NVIDIA GPU 加速网络训练。内容包括：
- 导入图像和序列数据
- 使用卷积神经网络进行图像分类，回归和目标检测
- 使用长短期记忆网络进行序列分类和预测
- 修改常见的网络结构解决自定义问题
- 修改训练选项来改善网络效率
- 详细课程提纲：
-
|
使用迁移学习进行图像分类
|
目标：课程概述，使用预训练网络执行图像分类，使用迁移学习训练自定义分类网络。
· 预训练网络
· 图像数据存储
· 迁移学习
· 网络评估
|
|
解释网络行为
|
目标：可视化通过网络的图像数据了解网络如何运算，将该技术应用于不同种类的图像。
· 激活
· 特征提取用于机器学习
|
|
创建网络
|
目标：从头开始建立卷积网络，理解网络层次之间如何传递信息，以及不同层级如何工作。
· 从头开始训练
· 神经网络
· 卷积层和过滤器
|
|
训练网络
|
目标：理解训练算法如何工作，设置训练选项来检测和控制训练。
· 训练网络
· 训练过程绘图
· 确认
|
|
改善网络性能
|
目标：选择和修改训练算法选项，网络结构，或者训练数据来改善网络效率。
· 训练选项
· 有向无环图
· 增加数据存储
|
|
执行图像回归
|
目标：创建卷积网络来预测连续数据响应。
· 回归网络迁移学习
· 回归网络评估矩阵
|
|
图像检测目标
|
目标：训练网络定位和标明图像中具体对象。
· 目标检测
|
|
序列数据分类
|
目标：建立和训练网络进行有序序列数据分类，例如时间序列和传感器数据。
· 长短期记忆网络
· 序列分类
· 序列预处理
· 类别序列
|
|
生成输出序列
|
目标：使用递归网络创建预测序列。
· 序列分类
· 序列预测
|
-
