Johanna Pingel,MathWorks
Gabriel Ha,Mathworks
概述
虽然深度学习可以实现对象识别和对象检测的最先进的准确性,但是难以训练,评估和比较深度学习模型。深度学习还需要大量的数据和计算资源。
在本次网络研讨会中,我们将探讨如何使用MATLAB®解决最常见的深度学习挑战,深入了解培训准确深度学习模型的过程。我们将介绍用于对象识别和对象检测的深度学习和计算机视觉的新功能。
集锦
我们将使用真实世界的例子来演示:
关于演示者
Johanna Pingel于2013年加入了MathWorks团队,专门从事Matlab的图像处理和计算机视觉应用。她有一个M.S.Rensselaer Polytechnic Institute和B.A的学位。卡内基梅隆大学的学位。她一直在电脑视觉应用空间工作超过5年,重点是对象检测和跟踪。
记录日期:2017年8月2日
你好,我的名字是Johanna和Gabriel在一起,我们将讨论计算机视觉的深度学习。我们有一些很棒的新演示和功能要向您展示。让我们开始吧。
是的,所以我们将通过设置一些上下文开始。我们在我们的网站上有其他深入的学习视频,这些视频比这个网络研讨会要短得多,你也应该看起来也应该看。但是,与其他视频相比,主要是我们将在这个网络研讨会中进入更多的深度。我们正在谈论计算机愿景的深度学习。什么是深入学习?它是一种机器学习,可直接从数据学习功能和任务,这可能是图像,文本或声音。
既然我们讨论的是计算机视觉,我们自然会关注图像数据。但请记住,深度学习适用于许多其他不处理图像的任务。
正当让我们来看看深度学习的工作流程。假设我们有一组图像,其中每个图像包含一个或四个不同类型的对象。我们想要的是能够自动识别出每个图像中的物体的东西。我们从标记图像开始,这意味着我们告诉深度学习算法图像包含什么。有了这些信息,它就开始了解对象的特定特征,并将它们与相应的类别相关联。
你会注意到任务是直接从数据中学习的,这也意味着我们对学习什么特性没有任何影响。你可能会听到这被称为端到端学习,但无论如何,要记住,深度学习直接从数据中学习特性。
这就是深度学习的基本工作流程。虽然深度学习的概念已经存在了一段时间,但由于技术极大地提高了这些分类器的准确性,使得其在图像分类方面的表现优于人们,因此近年来它变得更加流行。因此,也有几个因素可以实现深度学习,包括大量标记数据、功能强大的GPU来加速训练,以及将他人的工作作为训练自己的深度神经网络的起点的能力,我们将在后面讨论。
是的,我们会的。所以,在我们深入讨论之前,我们想给你们一些背景知识和框架来解释我们为什么要做这个网络研讨会。深入学习是困难的。这是最前沿的技术,而且它可能会变得复杂,无论你是在处理网络架构,理解如何训练精确的模型,还是合并成千上万的训练图像。
是的,更不用说每个人最喜欢的任务了——试着弄清楚为什么有些东西不起作用。
我们希望MATLAB使深度学习容易和可访问的每个人。在本次网络研讨会中,我们将介绍如何使用MATLAB快速入门深度学习。我们的网络研讨会中的示例还将演示如何处理大量的图像集,轻松集成gpu以更快地训练深度学习模型,理解模型在训练时发生了什么,并基于该领域的专家模型构建模型,因此您不必从头开始。说到这里,我们开始吧。
是的。让我们做它。因此,我们将介绍三个深度学习的例子:使用预先训练的网络进行图像分类,转移学习来分类新对象,以及图像和视频中的目标检测。首先是使用预先训练好的网络进行图像分类。我这里有一张辣椒的图片我想把它分类。信不信由你,我能用MATLAB用四行基本代码就能做到。
第一,导入预训练模型。第二,把图像带进来。第三,调整图像大小。第四,对图像进行分类。
好了。
就这样。
很酷。
好的,继续第二个演示-
他在开玩笑。
是的,我在开玩笑。我们来谈谈这里发生了什么。
第一行代码里的AlexNet是什么?谁是亚历克斯,我们为什么要用他的网?
为了直接回答你的问题,AlexNet是一个卷积神经网络,由很多人设计,包括Alex Krizhevsky。但我可能应该提供一些背景。所以有一个与MATLAB无关的独立项目叫做ImageNet项目,已经有一段时间了。它的目标是拥有一个庞大的视觉内容库,比如图像,供人们在视觉对象识别方面进行研究和设计。
它开始于2010年。他们举办了一项名为ImageNet大规模视觉识别挑战的年度竞赛。
哦,是的。旧的ILSVRC。
是的,那场比赛。因此,竞争对手提交的软件程序能够在[听不见的]环境中正确分类和检测物体。现在,直到2012年,实现计算机视觉的标准方法是通过一个称为特征工程的过程,而不是AlexNet,它使用并改进了基于深度学习的方法。因此,正如你可能猜到的,AlexNet是在团队名称监督下提交给2012年ILSVRC的,一个词。它把竞争搞得一败涂地,我想这可能是指竞争对手和竞争本身。
因为人们意识到深度学习不仅仅是理论上的,所以有很多关于它的炒作。它非常实用,而且比我们以前做的事情做得更好。所以撇开历史课不谈,亚历克斯内特经过训练,能够准确识别1000个不同的物体,我猜这与2012年ILSVRC的胜利条件有关。这是可以从MATLAB访问的几个预训练网络之一,其中还包括VGG-16和19。
我们有历史课吗?
我不会为这些人上历史课。让我们回到我们的四行代码。所以,首先看看MATLAB是如何使导入预训练模型变得非常容易的。就像,没有比这更容易的了。如果您的计算机上没有AlexNet,则只需下载一次,无论是通过附加模块管理器下载,还是在未下载代码的情况下运行代码时使用错误中的链接。现在,您可以将其用于此演示和其他任何您想要的内容。
在第二行,你把图像带进来。这看起来很简单。但是你为什么要调整图像的大小呢?第一次做的时候,我很聪明,只用了三行代码。
没有调整吗?
是的。我收到这个错误,这提到了大小的东西,这意味着,我可以弄清楚它为什么不起作用。
每个人最喜欢做的事。
因此,如果我做网络点层,它将向我展示网络的体系结构。一开始它看起来很吓人,但是第一层,输入层,大小是227×227像素。末尾的x3是RGB值,因为这是一张彩色照片。看到这些,我想,哦,好吧。只需使用MATLAB来调整图像大小,这样当图像传递到网络时就不会出错。我们的最后一行代码现在可以对图像进行分类了。
你之前提到过AlexNet是一个卷积神经网络。这是什么意思?我可以简称它为CNN吗?
我的意思是,只要观众不把这个网络研讨会和某个有线新闻网络有线新闻混淆哦。这就是CNN所代表的,不是吗?好吧,除了CNN是一个自我参考的有线新闻网络之外,它是一个深入学习图像和计算机视觉问题的流行架构。并且独立于AlexNet,三个主要的瘦网络了解CNN的关键是卷积、激活和池。
卷积是一种数学运算你们可能还记得在大学课程中介绍过傅里叶变换和拉普拉斯变换,或好或坏。这个想法是,我们把输入的图像经过多次变换,每一次变换都从图像中提取出特定的特征。激活对卷积的输出应用变换。一个流行的激活函数是ReLU(或ReLU, tomato tomato),它简单地获取输出并将其映射到正最大值。最后,拉拽是一个简化输出的过程,只取一个值到下一层,这有助于减少模型需要了解的参数数量。
因此,重复这三个步骤形成整个CNN体系结构,它可以有几十层或数百层,每个层学习检测不同的特征。因此,MATLAB的一个巧妙之处是,它可以让您查看特征图。因此,如果您比较接近初始层的特征与接近最终层的特征,则y变得越来越复杂,从颜色和边缘到看起来更详细的东西。
让我们再看一看AlxNET.您可以看到卷积、激活和池。其他一些网络将具有这些层的不同配置,但在最后,它们都将具有执行分类的最后一层。再加上几行代码,我们就可以重复显示一个图像以及AlexNet认为它是什么。有时它得到了,有时它没有。但这很好,只要对象在原来的1000组中。
这就引出了一个问题,如果不是,你能做什么?
请允许我回答这个问题,这是使用预先训练好的模型进行的图像分类。让我们进入第二个演示。
好吧在下一个演示中,我们有汽车在高速公路上行驶的视频。我们希望能够将其分类为轿车、卡车或SUV。我们将使用AlexNet对网络进行微调,只针对我们的对象类别,这是一个称为转移学习的过程,可用于对不在原始网络中的对象进行分类。
这是我们对上一个问题的答案。为您快速跟进。所以,如果你有一个分类任务,你的对象恰好是1000个对象中的一个,你有没有理由不使用AlexNet呢。
好问题。在这种情况下传输学习的主要好处是具有特定于您的数据的分类器。如果您在较少的类别上培训,您可以提高准确性。
有道理。
我用手机拍下了这段视频我可以用IP网络摄像头自动将它导入MATLAB。这个功能让我可以录下数小时汽车在办公室窗外行驶的视频。现在,利用MATLAB和计算机视觉,我可以根据汽车的运动从每一帧视频中提取出汽车,这个过程相对简单,叫做背景减法。
这只是一个观察两幅连续图像之间像素差异的问题,然后找出差异足够大的东西。
现在,当车辆经过时,我们想把它们分类为轿车、卡车或SUV。而这并不是AlexNet所认为的。所以如果我们现在的模型不能处理我们的数据,我们就需要一个新的模型。假设我们想把五种不同的车辆分类——轿车、卡车、大卡车、suv和面包车。我们的计划是使用AlexNet作为起点,并使用迁移学习创建一个特定于这五个类别的模型。
那么,你为什么要使用迁移学习,而不是从头开始训练网络呢?
所以从头划伤的训练绝对是你可以尝试的东西。我们为您提供Matlab的所有工具来执行此操作。但是,有几个实际的理由是转移学习。例如,您不必自己设置网络架构,这需要大量的试验和错误来查找良好的图层组合。此外,与从头划痕的训练相比,转移学习不需要几乎是建立准确的模型。最后,您可以利用来自最深刻的研究领域的高级研究人员的知识和专业知识,这些领域已经花费了更多时间训练模型。
听起来不错。
这里有五个文件夹,里面有我们五个类别的很多图片。我们想要一个简单的方法来将这些数据传递给我们的深度学习算法。早些时候,加布里埃尔用imread作为一种引入辣椒形象的方法。但我们不想对每一张图片都这样做。相反,我将使用一个名为图像数据存储的函数,这是引入数据的一种有效方法。
我们应该注意,Matlab中有许多不同类型的数据存储,用于不同的大数据和数据分析任务。所以它不仅仅是图像。如果您有大量数据,则数据存储是您的朋友。
因此,一旦该点图像数据存储到我的文件夹中,它将根据包含图像的文件夹的名称自动标记我的所有数据。所以没有必要一个接一个地做。一旦我做到了这一点,我就可以访问有用的功能,比如查看每个类别的图像数量,并能够快速将图像分割为训练集和测试集。
如果需要,还可以指定自定义读取函数。默认情况下,图像数据存储为imread以读取所有图像,这对于标准图像格式非常有用。但如果您碰巧有imread不知道如何处理的非标准图像格式,您只需编写自己的函数,将其传递到图像数据存储,然后就可以开始了。
即使您有标准的图像格式,您也可以创建一个自定义的读取函数来进行图像预处理,比如调整大小、锐化或去噪。在我们的例子中,使用AlexNet,我们需要将它们的大小调整为227乘227。所以我们在这里使用这个自定义读取函数。
我注意到你并没有直接调整大小。看起来你在填充图像。原因是什么?
这只是我的个人经验。我试着调整图片的大小,但是网络做得不太好。当我自己看这些图片时,我分辨不出汽车和越野车的区别。所以我做了一些事情,有相同的效果裁剪图像和保持长宽比。因为这有助于维持结构上的差异,我认为这可能对网络有帮助。之前你们看到AlexNet在对汽车和卡车进行分类方面做得很差。所以我们需要调整网络。
如果我们查看这些层,您可以看到最后一个完全连接的层,它代表了AlexNet接受培训的1000个类别。为了执行迁移学习,我们用5个类别的对象替换1000个类别。然后这一行重置分类,这意味着忘记您学习的1000个对象的名称。哟你只关心这五个新的。
这就是你唯一需要做的核心改变吗?
是的。这就是你需要做的所有网络操作。如果您运行这个,您将得到一个分类器,它将输出这五个对象中的一个。
所以我想问题是,它有多好?
所以我们事先训练了这个网络,它实际上得到了很好的结果,比如97%的准确率。
对于代码的两个小改动来说,这是非常令人印象深刻的。
但老实说,你可能不会马上达到这一点。请记住,AlexNet接受过数百万张图像的培训,其中包括一些车辆。因此,我们有理由假设它恰好非常顺利地传输到我们的数据。但是如果你要在其他与原始图像非常不同的图像上进行学习,可能你需要做更多的更改。
有道理。那么,如果人们发现自己的准确度低于标准,他们可以尝试哪些事情呢?
你可以尝试很多东西。我们将进入快速射击模式。您可以按照此幻灯片进行操作。首先,在开始更改参数之前,您可以做一些事情。检查您的数据。这一点我怎么强调都不过分。起初,我的火车模型对很多图像进行了错误分类。我意识到我的一些数据放错了文件夹。显然,如果你的设置不准确,无论是错误的文件夹还是糟糕的训练数据,你都不会走得很远。
接下来,尝试获取更多数据。有时,分类器需要更多的图像来更好地理解问题。最后,尝试不同的网络。我们正在与AlexNet合作,但正如我们所提到的,您还可以使用其他网络。有可能一个不同的CNN会提供更好的结果。
听起来不错。我很确定我的设置是正确的。我现在能做什么?
因此,现在的问题是改变网络和培训过程。让我们从网络开始。更改网络意味着添加、删除或修改图层。您可以向网络添加另一个完全连接的层,这会增加网络的非线性,并有助于提高网络的准确性,具体取决于数据。您还可以修改新层的学习权重,使其学习速度快于网络的早期原始层。如果您希望保留网络先前了解到的有关原始数据的丰富功能,这将非常有用。
至于改变培训流程,则是改变培训选项的问题。您可以尝试更多阶段、更少阶段和其他选项,您可以在我们的网站上找到相关文档。
所以我这么说是公平的。所有的选择似乎都是,你把网络当作一个黑匣子。如果你对它进行了训练,但效果不是很好,那么你可以对它进行一次修改,告诉它开始训练,等待整个等待时间,然后你会发现它是否真的让事情变得更好或更糟。那么,我们能做些什么,比如说,在这个过程的中间?
绝对的。我们有一组输出函数可以告诉我们网络在训练时发生了什么。第一个图描绘了网络训练时的准确性。理想情况下,您希望看到准确性随时间的推移而上升的趋势。如果你看到的不是这样,你可以停止训练,试着在你浪费大量时间在没有改善的东西上之前修复它。根据某些条件,你也可以提前停止训练。在这里,我告诉网络,如果我的准确率达到99.5%,就停止。
我猜这是为了避免过度训练,过度适应网络。
是的。我们还有检查站的概念。您可以在特定点停止网络培训,查看它在测试集上的表现,然后如果您决定它需要更多培训,您不必从头开始。你可以从你结束的地方继续训练。正如您所料,我们的网站上有许多不同培训选项的文档。如果你看一下这里,你可以看到我刚才概述的选项,在这里,以指定的精度停止。所以一定要试试这些例子。
好的,谢谢。复制粘贴此代码。有些人对你在互联网上找到的代码从不复制、粘贴。我明白他们的意思,比如,不要盲目地复制东西,期望它能正常工作。但严肃的家伙们,让没有复制粘贴的互联网代码的人发布第一条错误消息。
你绝对应该复制我们的代码。不用自己编写所有的代码,并且有一些很好的起点来更好地控制培训过程,这很好。
所以,让我们说,我是真正的铁杆要得到我的网络微调,我想消除黑箱方面的网络尽可能多。所以我想你可能无法直接看到网络所看到的。但是,我们如何才能开始更深入地了解我们的网络?
您可以做的一件事是可视化网络在图像中找到的功能。我们可以查看过滤器,我们可以在应用这些过滤器后查看图像的结果。在第一个卷积中,我们看到我们正在提取边缘,暗和光线模式。它们可能很明显,还是不那么明显。这一切都取决于这些功能在图像中的强度。
所以你可以在你的网络的任何一层做这件事?
是的。让我们来看看另一个。这个图像的第四次卷积的输出产生了一些更抽象,但有趣的特征。你可以假设这个特殊的通道找到了车轮和汽车的保险杠作为特征。为了验证我们的理论,让我们尝试另一张图片,在图片的左边,后轮是看不到的。如果我们的假设是正确的,那么这个通道的输出应该不会像在图像的左侧那么活跃。这就是我们所看到的。
好了。因此,如果您中的任何人想调试您的网络,这种技术可以为您提供一个网络所看到的可视化表示,并可能帮助您更好地理解正在发生的事情。
是的。所有的代码都在文档中。网站上的例子是通过寻找脸部特征,但概念是一样的。我们再来看一个你可能会觉得有用的工具,叫做深层梦境。深层梦境可以用来制作你可能在网上见过的非常有趣的艺术图像。但这是我们可以用来理解网络的另一个工具。深度梦将输出一幅图像,代表它在整个训练过程中所学到的特征。
因此,理解这一点的一种方法是,与其给网络一个图像,让它连接到一个类,不如反过来。我们给网络上一堂课,让它给我们一个形象。那么这为什么有用呢。
让我们看一下文档。神经网络工具箱有一个关于深度学习的好页面。这里的一个概念是深度梦,是将AlexNet与深度梦结合使用的一个例子。我们可以看到这里我要的是一只母鸡,是亚历克斯内特训练过的类别之一。深梦让我对母鸡的外貌有了一些抽象的理解。我们可以为我们网络中的任何类别创建深度梦图像。
因此,如果我们看到一些与类别不符的东西,我们可以假设我们的网络可能没有正确地学习我们的类别。
是的,可能是训练数据的问题。让我给你举个例子。在AlexNet最初的1000个类别中,有一个松鼠类别。我正好有一堆松鼠的照片我们可以在我们的网络上试用它们。我们看到所有的预测都是正确的,除了这个。如果我们观察松鼠的深梦,我们会看到什么?那头发呢,被误认为是什么?有一些鲜艳的颜色与我们尝试的前几张图片相对应。你可以看到尾巴的特征。这些都是这张图片所没有的强烈特征。
因此,我想我们可以在我们的网络中添加更多的测试图像,这些图像包含这些类型的功能或缺少这些功能。
所以现在你有足够的时间开始深度学习,更具体地说,转移学习。但我们还没有完全完成我们的例子。还记得我们播放了一段时间汽车在公路上行驶的视频吗?我们试图用AlexNet进行分类,这就是为什么我们费尽心思创建自己的自定义模型。使用与以前相同的算法来检测图像中的汽车,我现在可以使用我们的模型进行分类。我们可以看到我们的模型认为他们是什么,以及预测的能力。
很好。
这就是转移学习的开始,以及了解你的人际网络并做出改进的许多技巧和窍门。我们希望您已经了解了MATLAB如何使处理大型图像集、访问该领域专家的模型、可视化和调试网络以及加速GPU的深入学习变得容易。
等等,你完全没有覆盖最后一个。
啊,所以你注意了。
是的,我是。
是的,我们没有明确报道。但是如果你仔细看一下训练片段,输出消息表明我们在一个单一的GPU上训练,一个NVIDIA®3.0具有计算能力的GPU,这是使用GPU进行深度学习的最低要求。使用MATLAB进行GPU计算的美妙之处在于它都是在幕后处理的。作为一个用户,你不必担心它。如果您有GPU,MATLAB默认使用GPU,如果您使用GPU或云中的GPU或GPU集群,甚至CPU,则所有函数都不会更改。
你能在训练时使用中央处理器吗?我喜欢你如何从更大,更大,最大,然后缩减到最基本的计算。
是的,从技术上讲,你可以使用CPU。但看看这段时间流逝的视频,它试图在CPU和GPU上训练相同的深度学习算法。
哇!那太不起眼了。
是的。所有这些都适用于训练过程的任何部分,无论是训练、测试,还是可视化网络。所以,如果CPU是你唯一的选择,那就试试吧。但我们鼓励您使用GPU进行训练,或者至少确保您在训练模型时有很长时间的咖啡休息时间。
好吧所以在最后的演示中,我们将讨论一个更具挑战性的问题,这个问题经常引起我们的注意。看看这张图片。如果我们把它呈现给我们的网络,它会认为它是什么?无论如何,到目前为止,我们只展示了将整个图像分类为一个类别的示例。但在这张图片中,很明显在多个地点有多种车辆。我们训练的网络不能告诉我们这些。
所以这个经典的问题叫做物体检测,或者在场景中定位物体。在这个例子中,我们看到了几辆车的背面。我们的目标是检测它们。因此,我们需要创建一个能够识别我们关心的对象的对象检测器。现在,我们应该怎么做呢?
那么,这次网络研讨会的主题是深度学习,那么深度学习呢?
太棒了。因此,如果我们要训练车辆检测器从后面识别车辆,它需要大量的图像进行训练。现在的问题是,我们的图像数据还没有被裁剪到单个车辆上,这意味着乍一看,我们必须从头开始裁剪和标记所有图像。这需要多长时间这个网络研讨会应该是什么?
30分钟或更少。
我认为我们做不到。除非我们有MATLAB。耶。我很抱歉。因此,MATLAB有内置的应用程序来帮助您完成这一过程。首先,可以快速浏览所有数据并围绕场景中的对象绘制边界框。现在,即使这比手工修剪好,你也不想这样做100或1000次。因此,如果您有视频或图像序列,MATLAB可以自动标记场景中的对象。
在视频的第一帧中,我指定了对象的位置。现在Matlab将在整个视频中跟踪它。就像那样,我有数百个新标签的汽车,而无需完成100次。所以现在我们拥有我们所有关注的对象的边界框的所有图像。同样,对于现实世界和强大的解决方案,您需要数千个或数百万个对象的例子。万博 尤文图斯所以想象没有手动在没有应用程序的情况下做到这一点。
回到深度学习。我们要用CNN来训练目标探测器。我们完全可以导入一个预先训练过的CNN,就像我们之前做的那样,完全可以。但为了向你们展示一些新的东西,我们将从头开始创建一个CNN架构。因此,我们不会实时输入所有内容,但在MATLAB中从头创建一个CNN只是一个卷积、激活和拉层的问题——三件你之前谈到过的事情。
这就是我们在这里的顺序。你可以决定要使用的过滤器的数量。既然我们将向你提供所有这些代码,你可以随意使用它,从头开始创建你自己的CNN。现在是时候训练我们的检测器了。有了MATLAB的计算机视觉工具,我们实际上有两个对象d您可以选择的etector。最棒的是,您可以为您选择的任何一个etector使用相同的训练数据。因此,正如您从这段代码中看到的,您可以非常简单地尝试所有etector,并了解它们是如何工作的。
我们有这些检测器的文档,它将提供在特定场景中使用哪个检测器的建议。所以如果你打算利用物体检测,一定要看看这个。
是的。所以我们训练了我们的探测器。我们在一个样本图像上试一下。你可以在这里看到结果。看起来很好。但为了更令人印象深刻的演示,让我们在视频中尝试一下。就这样,正如你所看到的,沿着高速公路行驶。它对所有的汽车进行分类。这是相当漂亮的。对于高级用户,您可以访问helper函数以更好地了解其性能。
以下是MATLAB如何通过使用内置应用程序快速标记数据,以及使用深度学习和计算机视觉中的其他工具训练算法来轻松实现目标检测。总而言之,请记住,尽管我们在示例中使用了很多车辆,但MATLAB和深度学习并不局限于对车辆进行分类。因此,无论是人的脸,狗的品种,还是一个巨大的松鼠收集,你都可以用MATLAB轻松地完成。
我想快速呼唤我们的支持,以解决深入学习的回归问题,这意味着输出万博1manbetx数值而不是输出类或类别。我们有一些例子,您可以在那里检测道路上的车道边界。对于那些厌倦了听到汽车的人来说,我们有一个我们预测面部关键点的地方,可用于预测一个人的面部表情。
因此,今天我们看到了使用MATLAB和深度学习可以做的一些新事情。我们希望您能够清楚地看到MATLAB如何使深度学习这一艰巨任务变得更加容易。因此,请务必查看我们网络研讨会中使用的所有代码,并在您自己的数据上进行尝试。
如果你去加载项管理器,那里有我们的预训练网络,你可以在同一个地方找到一些其他资源来启动并运行深度学习,包括一个视频,演示如何使用MATLAB使用网络摄像头快速分类对象。
查看我们网站上的其他资源,开始深入学习,如有任何问题,请随时发送电子邮件给我们image-processing@mathworks.com..
你也可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。
本网站使用cookies来改善您的用户体验,个性化内容和广告,并分析网站流量。继续使用本网站即表示您同意我们使用cookies。请看我们的隐私政策了解有关Cookie的更多信息以及如何更改设置。