基于MATLAB R2017b的深度学习

저자史蒂夫·埃丁，二零一七年十月六日

18회조회(최근30일)|0좋아|5댓글

的R2017b释放它包含了许多用于深度学习的s manbetx 845新功能。几个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这些功能能够交到您的手中。今天，我将带您参观一下，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．神经网络工具箱引入了两种新的网络类型，您可以构建、训练和应用:有向无环图(DAG)网络和长短时记忆(LSTM)网络。

在DAG网络中，一层可以有来自多个层的输入，而不是只有一个。一个层也可以输出到多个层。下面是示例中的一个示例创建和训练深度学习DAG网络．

您可以尝试预先训练的GoogLeNet模型，这是一个DAG网络，您可以使用它进行加载googlenet．

也可以做实验长短时记忆(LSTM)网络，它们能够学习时间序列数据的长期依赖关系。

新的图层类型

还有一堆新的层类型:批处理归一化、转置卷积、最大解池、泄漏ReLU、剪切整流ReLU、添加和深度拼接。

我的同事乔基于几个月前读到的一篇论文，他用神经网络工具箱定义了他自己的网络层类型。今年秋天晚些时候我会详细介绍他的作品。

网络培训的改进

当您训练您的网络时，您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在可以进行网络培训。图像增强是通过对可用图像随机应用转换(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专家，我对新的语义分割功能特别感兴趣，它允许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数据集剑桥大学毕业。

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，请看看GPU编码器， R2017b版本中的一个全新产品。GPU Coder从MATLAB代码生成CUDA，用于深度学习、嵌入式视觉和自主系统。从这个性能基准图可以看出，生成的代码得到了很好的优化。

使用GPU加速、Titan XP GPU、Intel®Xeon®CPU E5-1650 v4在3.60GHz、cuDNN v5和Windows 10对AlexNet的推理性能进行MathWorks基准测试。软件版本:MATLAB (R2017b)， TensorFlow (1.2.0)， MXNet (0.10)， caff2(0.8.1)。

人工智能
应用机器学习和深度学习

应用机器学习和深度学习

基于MATLAB R2017b的深度学习