和她的石南花不杜松Matlab中的最新功能POST，Shounak Mitra，Deep Learning Toolbox的产品经理，为发布了关于新的深度学习示例。请享用！

19b有很多新的深度学习特性，因为这是深度学习的主要版本。我没有列出所有的新特性，而是列出了新例子在突出新特性方面做得很好。下面列出了许多新的例子，而且我将重点强调每个类别中我认为最令人兴奋的那些。

一般深入学习

值得关注的新事物之一是定制训练环和自动分化（自动渗透）。这允许在Matlab中提供GAN和暹罗网络等新功能！有新的例子探讨这些更高级的概念：

这个例子展示如何训练生成的对抗性网络（GaN）生成图像。	这个例子展示了如何训练一个暹罗网络来识别相似的手写字符图像。

可视化

越来越多，人们想要了解为什么深度学习模型正在做出某种预测。这些新的示例提供了新的方法，可以更深入地了解您的模型。

• Grad-Cam揭示为什么深入学习决策
• 使用遮挡理解网络预测
• 使用tsne查看网络行为
• 可视化LSTM网络的激活

如果只能查看一个示例，请选择Grad-Cam。这是一种高度视觉且易于实现可视化网络预测的方式。

计算机视觉与图像处理

19B对于深度学习的数据预处理是一种很好的释放。以下是一个很好的参考示例，显示了许多不同应用程序的数据预处理的细节：语义分段，对象检测，图像分类等。

• 特定于域的深度学习应用程序的预处理数据-我认为这个例子是一个可以打印的文档，当你在做深度学习的数据准备时可以参考，我建议从这里开始。

要了解更多的图像处理和计算机视觉，以下是分类的示例。

深度学习

• 大型多分辨率图像的深度学习分类- 图像处理的新功能之一是大图像，包括极限。本示例将向您介绍这些新特性。

更多的增强

虽然这些可以被认为是更高级的特性，但增强图像和包围框是提高数据集健壮性和潜在提高模型准确性的好方法。

• 为语义分割增加像素标签
• 使用图像处理工具箱增强图像深度学习工作流程如果您想要在图像预处理选项上的详细信息，这是一个很好的示例，显示您可以执行的所有增强。
• 增强对象检测的边界框
• 使用YOLO训练一个对象检测器- 此示例显示如何使用所有新的增强功能来培训探测器，方便地显示整个工作流程

深度学习分类大图像，是特别有用的医学成像，在那里图像很容易大到无法装入记忆。

代码生成

每次发布，都要关注代码生成所支持的新特性和功能。万博1manbetx完整的功能列表可以在这里找到，但值得注意的是，这个版本是深度学习网络(如MobileNet-v2和DeepLab-v3+)的CUDA代码生成。有来自图像处理和计算机视觉的新功能，你可以为LSTM网络生成代码。还有更多的例子，但这里有一些亮点:

• 使用YOLO V2和INTEL MKL-DNN生成用于对象检测的C ++代码(MATLAB编码器)
• MobileNet-V2网络的代码生成和部署到Raspberry PI(MATLAB编码器)
• 序列对序列LSTM网络的代码生成(GPU编码器)

加强学习

强化学习是当前研究的热点，特别是在研究领域。强化学习工具箱，首次发布于19a，让您访问完整的RL工作流程:从创建环境，到培训和部署。在R2019b中，我们添加了一些新的令人兴奋的例子:

• 四足机器人的运动使用DDPG代理- 这个例子是一个扩展两条腿走路的机器人在R2019A中发布的示例，以四倍机器人。看看你如何教授机器人波士顿动力的现场报道走！

• 模拟MPC控制器的车道保持辅助-如果你已经有了一个可行的决策系统，你想要建立它，为什么要白费力气呢?这个例子展示了如何利用现有的控制器来辅助lane keep来暖启动强化学习训练。
• 使用深度网络设计器创建代理，并使用图像观察进行训练- 如果您正在寻找一个简单的例子来开始，请查看此项。虽然这不是技术上的新版本，但它基于简单的摆动环境，并展示了如何与深网络设计师交互式地将神经网络架构放在一起。

音频和信号处理

信号:

信号中此版本的新亮点是自动贴标。您可以创建自己的标记算法，并将其引入标记应用程序。下面两个例子将详细说明如何实现这一点:

使用深网络标记QRS复合物和ECG信号的R峰值	使用外部API在音频信号中标注语音

音频：

对于那些发展中音频和语音应用我们引入了数据增强和特征提取的新功能。你现在可以设置随机参数的音频效果管道来增加数据，包括音调和时间。

• 使用MFCC和LSTM网络在噪声中发现的关键字这个例子展示了音频增强的实际应用。
• 语音情感识别的顺序特征选择- 使用音频文件的语音情感识别的一个例子。

小波：

还有两个小波的新例子:小波时间散射音乐类型分类＆语音数字识别。你可以在gpu上使用小波时间散射自动提取特征。这个版本包括了这些演示如何使用信号分类的新功能的新示例。

培训数据综合

我们还添加了一些新的例子来展示如何合成雷达和通信数据来训练你的网络。

• 使用深度学习的行人和自行车分类
• 利用深度学习的雷达波形分类

您可以合成行人、自行车和行人的微多普勒信号来训练您的网络。

就是这样!我希望你会发现其中一个或多个例子是有用的。当然，如果您想深入了解更多细节，您可以查看每个产品的发布说明。关于这些例子或新功能的任何问题，请在下方留言。