基于MATLAB R2017b的深度学习
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)。
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。
- 범주:
- 深度学习
댓글
댓글을남기려면링크를클릭하여MathWorks계정에로그하거나계정을새로만드십시오。