- Utilice un amplio rango de tipos de capas orientadas a imágenes para implementar algoritmos de vanguardia de visión por medio de equipo. »
- Defina topologías de redes con múltiples entradas, salidas y estructura de conectividad dirigida de grafo acíclico. »
- Trabaje con imágenes, entradas y salidas categóricas y numéricas. »
- Defina redes con múltiples funciones de pérdida para realizar aprendizaje de tareas múltiples. »
- Evalúe fácilmente redes entrenadas usando una variedad de métricas de clasificador incorporadas. »
- Entrene conjuntos de datos de imágenes fuera de núcleo. »
- Entrene redes ya sea en CPU o GPU de NVIDIA. »
- Aproveche la biblioteca de redes neuronales profundas (cuDNN) de NVIDIA CUDA para el máximo rendimiento de GPU. »
- Importe y exporte redes entrenadas como archivos de "WLNet". »
- Utilice la inferencia automática de tensor de forma para escribir definiciones de redes sucintas. »
Ejemplos relacionados
Funciones relacionadas
- 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
