神经网络

Wolfram 语言具有构建、训练和部署神经网络机器学习系统的超强能力. Wolfram 语言拥有许多可用的标准层类型,并被符号式地组装到网络中,可立即被训练并部署到可用的 CPU 和 GPU 中.

参考资料参考资料

自动化机器学习

Classify 使用神经网络和其他方法进行自动训练和分类

Predict 自动训练和数据预测

FeatureExtraction 自动从图像、文字、数字等数据中提取特征

ImageIdentify 充分训练过的对于常见物体的图像识别

网络表示

NetGraph 将要应用到数据上的、训练过的或未经训练的网图的符号表示

NetChain 简单串接网络层的符号表示

NetPort 网络层已命名输入或输出接口的符号表示

NetExtract 从网络中提取属性和权重等信息

网络操作

NetTrain 根据样本训练网络参数

NetInitialize 网络的随机初始化参数

预建资料

ResourceData 访问预建网络、训练用数据等

基本网络层

DotPlusLayer 连接紧密的可训练层,可执行 计算

ElementwiseLayer 把指定函数运用到张量中的每一个元素

TotalLayer 把多个张量的相应元素相加的层

SoftmaxLayer 把元素全部归一化到单元区间的层

EmbeddingLayer 可训练层,用于把整数嵌入到连续向量空间中

损失 (loss) 层

MeanSquaredLossLayer  ▪  MeanAbsoluteLossLayer  ▪  CrossEntropyLossLayer

改变结构 (Structure-Changing) 层

CatenateLayer  ▪  FlattenLayer  ▪  ReshapeLayer  ▪  SummationLayer

卷积 (Convolutional) 层

ConvolutionLayer  ▪  DeconvolutionLayer  ▪  PoolingLayer

训练优化 (Training Optimization) 层

BatchNormalizationLayer  ▪  DropoutLayer

编码和解码

NetEncoder 把图像、目录等转换成和网络兼容的数字数组

NetDecoder 把网络生成的数字数组解释成图像、概率等

激励函数

Ramp 修正性线性单元 (ReLU)

Tanh  ▪  LogisticSigmoid

导入和导出

"WLNet" Wolfram 语言的网络表示格式

Import  ▪  Export

管理数据和训练

ClassifierMeasurements 分类器网络的测量准确度、召回率等

DeleteMissing 在训练开始前清除缺失数据