神经网络的创建和属性
我们可以创建神经网络来处理特定任务，但这需要灵活性以及用不同的架构和超参数进行实验的能力. 网络输出和梯度的精确测量对于比较结果、发现问题以及控制训练行为和硬件至关重要. Wolfram 语言的符号环境特别适合于将神经网络运算（网络层）表示为抽象的函数. 可以通过组合新的网络层或使用操作函数对预先训练好的模型进行调整来构建网络. 可提取或替换元素参数，如权重、输入的形状和输出的类型. 还可以使用选项对各个方面进行更精细的控制，如计算的运行时间、学习率和工作精度.
NetGraph — 要应用于数据的已训练过的或未经训练的网络图的符号表示
NetChain — 简单的网络层链的符号表示
网络层 »
LinearLayer — 表示可训练的仿射变换的网络层
ConvolutionLayer — 表示可训练的卷积运算的网络层
ThreadingLayer ▪ AttentionLayer ▪ AggregationLayer ▪ SoftmaxLayer ▪ ...
预建资源
NetModel — 完整的预先训练好的网络模型
ResourceData — 访问训练数据、网络等
网络运算 »
NetReplacePart — 替换网络或网络属性
NetExtract ▪ NetTake ▪ NetAppend ▪ NetReplace ▪ NetJoin ▪ ...
符号元素
NetPort — 网络层的已命名输入或输出端口
NetPortGradient — 网络相对于端口的梯度
NetArray — 可学习的数组
网络对象
NetStateObject — 在网络中保存并重新使用循环状态
NetTrainResultsObject — 表示训练中发生的事情
NetExternalObject — 表示外部框架格式的一个网络模型
网络属性
NetExtract — 从网络中提取属性和权重等
Information — 给出关于任何网络的摘要和详细信息
NetMeasurements — 在测试数据上测量网络的性能
Options — 给出构建或应用网络层的选项
构建选项
InputPorts, OutputPorts — 指定端口的数量、名称或形状
LearningRateMultipliers — 指定训练期间使用的学习率乘子
计算选项
BatchSize — 指定一起处理的样例批次的大小
NetEvaluationMode — 指定网络是否应使用专门针对训练的行为
RandomSeeding — 指定伪随机生成器的播种
TargetDevice — 指定是否应尝试 CPU 或 GPU 计算
WorkingPrecision — 对网络进行计算时使用的数值精度
导入与导出
"WLNet" — Wolfram 语言网络表示格式
"ONNX" — ONNX 开放交换格式
"MXNet" — MXNet 表示格式