不甘示弱的希瑟和她在一起在MATLAB最新功能post、Shounak Mitra产品经理深度学习工具箱,提供发布关于新深度学习的例子。享受吧!

有不少新的深度学习特性了19 b,因为这是深度学习的主要版本。而不是列出所有新功能,我清单新的例子做一个伟大的工作的突出的新特性。有很多新的例子下面列出,加上突出的我认为最令人兴奋的在每个类别。

一般深度学习

值得关注的新事物之一是自定义训练循环和汽车分化(Autodiff)。这允许甘斯和暹罗网络等新功能可在MATLAB !有新的例子来探讨这些更高级的概念:

这个例子显示了如何训练生成对抗网络(GAN)来生成图像。	这个例子显示了如何训练暹罗网络手写字符识别类似的图像。

可视化

越来越多的人想要了解为什么深度学习模型做一定的预测。这些新的例子提供深入理解模型的新方法。

• Grad-CAM揭示了深度学习的决定背后的原因
• 了解网络使用阻塞预测
• 视图使用tsne网络行为
• 可视化LSTM网络的激活

如果你只能查看一个示例中,选择Grad-CAM。这是一个高度视觉和容易实现可视化网络预测方法。

计算机视觉和图像处理

19 b是一个很好的释放深度学习的数据预处理。这是一个很好的参考示例显示数据预处理对许多不同的应用程序的细节:语义分割,目标检测,图像分类,和更多。

• 预处理数据为特定领域的深度学习应用程序——我认为这个例子是一个文档可以打印和指的是当你在做数据准备深入学习,我建议从这里开始。

图像处理和计算机视觉,下面是例子分为类别。

深度学习在大图像

• 深度学习分类的大型多分辨率图像——图像处理的一个新特性是对大图像,包括bigImage。这个例子向您通过这些新特性。

更多的增加

虽然这些可以被认为是更高级的功能,增加图片和边界框是伟大的方式来增加数据集的鲁棒性和潜在的增加模型的准确性。

• 增加像素标签语义分割
• 增强图像的深度学习工作流使用图像处理工具箱如果你想要细节图像预处理选项,这是一个很好的例子证明你可以做的所有对应。
• 增加目标检测的边界框
• 培训对象探测器使用YOLO。意思这个例子展示了如何使用新的增强功能训练一个检测器,它方便地显示整个工作流程

深度学习分类的大图片,是特别有用的医学成像,图像可以很容易地太大了,不适合在内存中。

代码生成

每一个版本,留意新特性和功能支持代码生成。万博1manbetx功能的完整列表可以在这里找到,但值得注意的是这个版本是CUDA代码生成的深度学习网络如MobileNet-v2和DeepLab-v3 +。有新功能从图像处理和计算机视觉,你可以生成代码LSTM网络。有比这几个例子,但这里有一些亮点:

• 生成c++代码使用YOLO v2和英特尔MKL-DNN意思进行目标检测(MATLAB编码器)
• 代码生成和部署MobileNet-v2覆盆子π网络(MATLAB编码器)
• 代码生成的Sequence-to-Sequence LSTM网络(GPU编码器)

强化学习

强化学习是现在一个热门话题,尤其是在研究社区。强化学习工具箱,首先发布了19个,给你访问完整的RL工作流:创造一个环境,训练和部署。在R2019b添加了一些新的激动人心的例子:

• 四足机器人运动使用DDPG代理——这是一个扩展的例子两条腿走路的机器人例子,在R2019a四足机器人被释放。看一看,看看你可以教机器人点从波士顿动力公司走路!

• 模仿MPC控制器车道保持辅助——如果你已经有了一个决策系统,你想建立在工作,为什么重新发明轮子?这个例子展示了如何利用现有的控制器车道保持辅助热启动强化学习培训。
• 使用深度网络设计师创建代理和培训使用图像的观察如果你正在寻找一个简单的例子开始,然后看看这一个。虽然这不是这个版本的新技术,它是基于一个单摆的环境并展示如何组合神经网络架构与深度网络交互设计师。

音频信号处理

信号:

信号是这个版本的新亮点自动贴标。您可以创建自己的标记算法,并将其纳入标签应用。这两个例子将展示实现的细节:

标签使检测到的心电信号QRS复合物和R峰使用网络	标签口语单词音频信号使用外部API

音频:

对于那些发展中音频和语音应用程序我们已经介绍了数据扩充新功能和特征提取。您现在可以设置管道randomly-parametrized音频效果增加数据,包括音高和时间伸展。

• 关键字定位在噪音使用MFCC和LSTM网络这个例子展示了在实践中音频增强。
• 连续语音情感识别的特征选择——语音情感识别使用音频文件的一个示例。

小波:

也有两个新的小波的例子:小波时间散射音乐体裁分类&语音数字识别。您可以使用小波时间自动提取特征散射在gpu上。这个版本还包括这些新的示例,演示如何使用这个新功能的信号分类。

数据综合训练

我们还添加了一些新的例子展示了如何合成雷达和通信数据训练网络。

• 行人和自行车使用深度学习分类
• 雷达波形分类使用深度学习

可以合成微多普勒特征对行人、自行车和行人训练你的网络。

就是这样!我希望你找到一个或多个这些例子有用。当然,您可以查看每个产品的发布说明,如果你想更深入的细节。对于任何问题在这些例子或新功能,让我在下面评论!