- Utilisez un large éventail de types de couches orientées image pour mettre en œuvre des algorithmes de pointe de vision par le biais de l'ordinateur. »
- Définissez des topologies de réseau avec des entrées et des sorties multiples et une structure de connectivité de graphe acyclique dirigé arbitraire. »
- Travaillez avec des images, des entrées et sorties catégorielles et numériques. »
- Définissez des réseaux avec plusieurs fonctions de perte pour effectuer un apprentissage multitâche. »
- Évaluez facilement les réseaux entraînés à l'aide d'une variété de mesures de classification intégrées. »
- Entraînez des jeux de données d'images hors cœur. »
- Entraînez des réseaux sur des unités centrales ou des unités de traitement graphique (GPU) NVIDIA. »
- Profitez de la bibliothèque NVIDIA CUDA pour des performances optimales sur GPU. »
- Importez et exportez les réseaux entraînés sous forme de fichiers "WLNet". »
- Utilisez l'inférence automatique de la forme des tenseurs pour écrire des définitions de réseau succinctes. »
Exemples connexes
Fonctions connexes
- 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
