- Verwendung einer breiten Auswahl bildorientierter Ebenentypen zur Implementierung hochmoderner Computer-Vision-Algorithmen. »
- Definieren von Netzwerktopologien mit mehreren Inputs, Outputs und beliebig gerichteter azyklischer Konnektivitätsstruktur von Graphen. »
- Arbeiten mit Bildern sowie mit kategorischen und numerischen Inputs und Outputs. »
- Definieren von Netzen mit mehreren Verlustfunktionen zur Durchführung von Multi-Task-Learning. »
- Einfaches Evaluieren trainierter Netze anhand einer großen Auswahl eingebauter Klassifikatoren-Metriken. »
- Trainieren mit Out-of-Core-Bildatensätzen. »
- Trainieren von Netzwerken mit Prozessoren oder NVIDIA-Grafikprozessoren. »
- Optimale GPU-Performance durch Verwendung der NVIDIA CUDA Deep Neural Network-Library (cuDNN). »
- Importieren und Exportieren trainierter Netze als "WLNet"-Dateien. »
- Automatische Schlussfolgerungen von Tensorformen zur Formulierung prägnanter Netzwerk-Definitionen. »
Verwandte Beispiele
Verwandte Funktionen
- BatchSize
- NetChain
- NetTrain
- NetExtract
- NetInitialize
- NetGraph
- NetDecoder
- NetEncoder
- BatchNormalizationLayer
- MeanSquaredLossLayer
- MeanAbsoluteLossLayer
- ConvolutionLayer
- DeconvolutionLayer
- CrossEntropyLossLayer
- DotPlusLayer
- DropoutLayer
- ElementwiseLayer
- EmbeddingLayer
- FlattenLayer
- CatenateLayer
- PoolingLayer
- SoftmaxLayer
- SummationLayer
- TotalLayer
- MaxTrainingRounds
- NetPort
- ReshapeLayer