深度学习

理解和使用深度学习网络

深度学习与MATLAB R2017b

发布的史蒂夫·埃丁，

53次浏览(最近30天 喜欢| 5个评论

的R2017b释放它包含了许多用于深度学习的s manbetx 845新功能。一些产品团队的开发人员一直在努力开发这些功能，每个人都很高兴看到它们变成您的手。今天，我将向您介绍一下，当您有机会更新到新版本时，您可以期待什么。

内容

新的网络类型和预先训练的网络

当然，MATLAB深度学习的核心是神经网络工具箱．神经网络工具箱介绍了两种可以构建、训练和应用的新型网络:有向无环图(DAG)网络和长短期记忆(LSTM)网络。

在DAG网络中，一个层可以有来自多个层的输入，而不仅仅是一个。一个层也可以输出到多个层。这是这个例子中的一个例子为深度学习创建和训练DAG网络．

你可以尝试预先训练的GoogLeNet模型，这是一个你可以使用的DAG网络googlenet．

实验也长短期记忆(LSTM)网络，它们有能力了解时间序列数据的长期依赖性。

新图层类型

也有一堆新的层类型:批处理归一化，转置卷积，最大反池，泄漏的ReLU，剪切纠正ReLU，加法，和深度连接。

我的同事乔根据几个月前读过的一篇论文，他使用神经网络工具箱定义了自己的网络层类型。今年秋天晚些时候，我将向你们详细展示他的作品。

网络训练的改进

当你训练你的网络时，你现在可以绘制训练进度。您还可以验证网络性能，并根据验证指标自动停止训练。此外，您可以找到最佳的网络参数和训练选项使用贝叶斯优化．

自动图像预处理和增强现已提供网络培训。图像增强是通过对可用图像随机应用变换(如调整大小、旋转、反射和平移)来增加训练集的思想。

语义分割

作为一名图像处理算法人员，我对新的语义分割功能特别感兴趣，它可以让你对像素区域进行分类，并将结果可视化。

看到“基于深度学习的语义分割”的详细示例CamVid数据集来自剑桥大学

部署到嵌入式系统

如果你正在嵌入式系统中实现深度学习方法，请看一下GPU编码器，是R2017b版本中的一个全新产品。GPU编码器从MATLAB代码生成CUDA，用于深度学习、嵌入式视觉和自主系统。生成的代码得到了很好的优化，您可以从这个性能基准图中看到。

使用GPU加速、Titan XP GPU、Intel®Xeon®CPU E5-1650 v4 at 3.60GHz、cuDNN v5和Windows 10的AlexNet推理性能的MathWorks基准测试。软件版本:MATLAB (R2017b)， TensorFlow (1.2.0)， MXNet(0.10)，咖啡因2(0.8.1)。

的更多信息

在雄心勃勃的R2017b版本中，我刚刚触及了深度学习功能的皮毛。

这里有一些额外的信息来源。




发布与MATLAB®R2017b

|
类别:
深度学习
  • 打印
  • 发送电子邮件

另请参阅

评论

要留下评论，请点击在这里登录到您的MathWorks帐户或创建一个新帐户。