پیاده سازی شبکه های عصبی عمیق در متلب: آشنایی با تولباکس یادگیری عمیق

تولباکس یادگیری عمیق(آشنایی با چگونگی ساختن، پردازش و آموزش شبکه های یادگیری عمیق

تولباکس یادگیری عمیق، چهارچوب یکپارچه ای را برای طراحی و بهینه سازی شبکه های عصبی عمیق با الگوریتمها، مدل های پیش آموزش یافته و اپلیکیشنها  تهیه کرده است. شما می توانید از شبکه های عصبی کانولوشن( ConvNets و CNNs) و شبکه های LSTM برای آماده سازی و بهبود بخشی فرایند کلاسه بندی و رگریسون اطلاعات تصویری، سری های زمانی، و نوشتاری استفاده نمایید. برنامه های کاربردی و نمودارها در مصور سازی فعالیت ها، اصلاح کردن ساختارهای شبکه و فرآیند نمایش آموزش به شما کمک می کنند.

برای مجموعه های آموزشی کوچک، شما می توانیدفرایند آموزش را با مدل های پیش آموزش یافته(شامل SqueezeNet, Inception-v3, ResNet-101, GoogLeNetو  VGG-19) و مدل های ورودی گیرنده از TensorFlow-Keras و  Caffe انجام دهید.

برای سرعت بخشی آموزش در پایگاه داده های بزرگ، می توانید پردازنده های چند هسته ای و جی پی یو ها را استفاده کنید.

1. شبکه ها و ساختارها

۱-۱٫ شبکه های عصبی کانولوشن

در رابطه با این مورد در درسنامه های قبلی مطالبی بیان شده است. برای مطالعه ی بیشتر به درسنامه های قبلی مراجعه نمایید

۱-۲٫ شبکه هایLSTM

از این شبکه می توان برای داده های زنجیره ای صوتی، سیگنالها، نوشتارها و سایر داده های وابسته به زمان استفاده کرد.

در درسنامه های بعدی به تفصیل به بررسی این تولباکس بسیار کاربردی خواهیم پرداخت.