深度学习

深度学习模型 -凯发k8网页登录

利用深度学习研究社区开发的模型架构。常见模型提供稳健的架构,无需从头开始。

获取预训练模型

与其从头开始创建深度学习模型,不如使用预训练模型。您可以将其直接应用或对其进行修改以适用于您的任务。

matlab 模型

浏览 ,按类别访问最新模型并获取关于选择模型的提示。

使用命令行加载大多数模型。例如:

 net = darknet19;

开源模型

通过使用导入函数将 tensorflow™、pytorch® 和 onnx™ 模型转换为 matlab 网络。例如:

 net = importtensorflownetwork("efficientnetv2l") 

应用预训练模型

将预训练模型应用于图像分类、计算机视觉、音频处理、激光雷达处理和其他深度学习工作流。

  • 找到合适的预训练模型并将其直接应用于您的任务。
  • 通过调整预训练模型来适应新的任务或数据集,以执行迁移学习。更新和重新训练模型比从头开始创建模型更快,也更容易。
  • 通过将层激活作为特征使用预训练模型作为特征提取器。然后使用这些特征来训练另一个机器学习模型,例如支持向量机 (svm)。
  • 使用预训练模型作为另一种模型的基础。例如,使用卷积神经网络作为创建目标检测或语义分割模型的起点。

图像分类

使用卷积神经网络,如 和 ,执行图像分类任务。大多数 cnn 是基于 imagenet 数据库训练的。

计算机视觉

使用目标检测 ()、语义/实例分割 (/) 和视频分类 () 来分析图像和视频。

音频处理

使用 yamnet 对声音进行定位和分类,使用 估计音调,使用 vggish 或 提取特征嵌入。

激光雷达

使用分类 ()、目标检测 (pointpillars) 和语义分割 () 来分析点云数据。

选择模型的提示

有许多预训练模型可供选择,每种模型都有各自的优缺点:

速度

一开始可以选择一个速度更快的模型,例如 或 。然后快速迭代,尝试不同的预处理和训练选项。

准确度

在了解哪些设置效果较好后,可以尝试更准确的模型,如 或 ,看看这是否会改进您的结果。

大小

当需要部署到 raspberry pi® 或 fpga 等边缘设备时,请选择低内存占用的模型,如 或 。

产品

了解深度学习模型使用的产品。

网站地图