- Use uma grande variedade de tipos de camadas para visualização para implementar algoritmos avançados de visão por meio. »
- Defina topologias de redes com várias entradas, saídas e estrutura de conectividade dirigida de gráfico acíclico. »
- Trabalhe com imagens, entradas e saídas numéricas e categóricas. »
- Defina redes com múltiplas funções de perda para realizar a aprendizagem de várias tarefas. »
- Execute facilmente redes treinadas usando uma variedade de métricas de classificador integradas. »
- Treine conjuntos de dados de imagem fora do núcleo. »
- Treine as redes em CPUs ou NVIDIA GPUs. »
- Aproveite a biblioteca de redes neurais profundas (cuDNN) da NVIDIA CUDA para performance ideal de GPU. »
- Importe e exporte redes treinadas como arquivo de "WLNet". »
- Implemente inferência automática de formato tensorial para escrever definições sucintas de redes. »
Exemplos Relacionados
Funções 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
