자동 미분

딥러닝 계층, 신경망, 훈련 루프 및 손실 함수 사용자 지정

대부분의 작업에서 내장 계층을 사용할 수 있습니다. 작업에 필요한 내장 계층이 없는 경우 자신만의 고유한 사용자 지정 계층을 정의할 수 있습니다. 학습 가능한 파라미터와 상태 파라미터를 포함하는 사용자 지정 계층을 정의할 수 있습니다. 사용자 지정 계층을 정의한 후에는 이 계층이 유효하고, GPU와 호환되며, 올바르게 정의된 기울기를 출력하는지 확인할 수 있습니다. 지원되는 계층 목록은 딥러닝 계층 목록 항목을 참조하십시오.

trainingOptions 함수가 작업에 필요한 훈련 옵션을 제공하지 않거나 trainnet 함수가 지원하지 않는 손실 함수가 있는 경우에는 사용자 지정 훈련 루프를 정의할 수 있습니다. 계층 신경망으로 지정할 수 없는 모델의 경우 모델을 함수로 정의할 수 있습니다. 자세한 내용은 사용자 지정 훈련 루프, 손실 함수 및 신경망 정의 항목을 참조하십시오.

자주 보는 항목

추천 예제

Train a Twin Network for Dimensionality Reduction

Train a twin neural network with shared weights to compare handwritten digits using dimensionality reduction.

라이브 스크립트 열기

Train a Twin Neural Network to Compare Images

Train a twin neural network with shared weights to identify similar images of handwritten characters.

라이브 스크립트 열기

Image Captioning Using Attention

Train a deep learning model for image captioning using attention.

라이브 스크립트 열기

Multilabel Text Classification Using Deep Learning

Classify text data that has multiple independent labels.

라이브 스크립트 열기

Sequence-to-Sequence Translation Using Attention

Convert decimal strings to Roman numerals using a recurrent sequence-to-sequence encoder-decoder model with attention.

라이브 스크립트 열기

Train Network in Parallel with Custom Training Loop

Set up a custom training loop to train a network in parallel.

라이브 스크립트 열기

변분 오토인코더(VAE)를 훈련시켜 영상 생성하기

이 예제에서는 딥러닝 변분 오토인코더(VAE)를 훈련시켜 영상을 생성하는 방법을 보여줍니다.

라이브 스크립트 열기

Train Network Using Cyclical Learning Rate for Snapshot Ensembling

Train a network to classify images of objects using a cyclical learning rate schedule and snapshot ensembling for better test accuracy. In the example, you learn how to use a cosine function for the learning rate schedule, take snapshots of the network during training to create a model ensemble, and add L2-norm regularization (weight decay) to the training loss.

라이브 스크립트 열기