深度学习工具箱
ディープラーニングのネットワークの作成,分析,学习
深度学习工具箱™(以前の神经网络工具箱™)は,ディープニューラルネットワークの设计と実装のためのフレームワークに,アルゴリズム,学习済みモデル,およびアプリを提供します。畳み込みニューラルネットワーク(ConvNets,CNN)および长期短期记忆(LSTM)ネットワークを使用して,画像,时系列,およびテキストデータの分类および回帰を実行できます。カスタムのトレーニングループ,重みの共有,自动微分を使用して,敌対的生成ネットワーク(GAN)や连体ネットワークのような高度なネットワークアーキテクチャを构筑できます。アプリとプロットは,アクティベーションの可视化,ネットワークアーキテクチャの编集と分析,トレーニングの进行状况の监视に役立ちます。
ONNXフォーマットを使用してTensorFlow™およびPyTorchとモデルを行き来させたり,TensorFlow-Kerasおよび咖啡からモデルをインポートできます。ツールボックスは,DarkNet-53, ResNet-50, NASNet, SqueezeNetやその他多くの事前学習済みのモデルにより転移学習をサポートします。
并行计算工具箱™を利用して,単一のまたは複数のGPUを持つワークステーションで学習速度を向上し,MATLAB并行服务器TMを利用して,NVIDIA®GPU云およびAmazon EC2®GPUインスタンスを含むクラスターやクラウドに拡张できます。
详细を见る:
畳み込みニューラルネットワーク
オブジェクト,颜,シーンを认识するために画像のパータンを学习します。特徴抽出や画像认识を行うために畳み込みニューラルネットワーク(CNN)を构筑し,学习させます。
長期短期記憶ネットワーク
信号,オーディオ,テキスト,およびその他の時系列データを含むシーケンスデータの長期依存性を学習します。分類と回帰を行うために長期短期記憶(LSTM)ネットワークを作成および学習します。
ネットワーク構造
有向非循环グラフ(DAG),リカレントアーキテクチャなどを含む,さまざまなネットワーク构造を使用して,ディープラーニングネットワークを构筑します。カスタムのトレーニングループ,重みの共有,自动微分を使用して,敌対的生成ネットワーク(GAN)や连体ネットワークのような高度なネットワークアーキテクチャを构筑します。
ディープラーニングネットワークの設計
ディープネットワークデザイナーアプリを使用して,ディープネットワークを新規作成します。パラメーター事前学習済みのモデルをインポートし,ネットワーク構造を可視化し,レイヤーを編集し,パラメーターを調整します。
ディープラーニングネットワークの解析
ネットワークアーキテクチャを分析して,学習前にエラー,警告,およびレイヤー互換性の問題を検出し,デバッグします。ネットワークトポロジを可視化し,学習可能なパラメーターやアクティベーションなどの詳細を表示します。
管理深度学习实验
使用实验管理app管理多个深度学习实验,跟踪训练参数,分析结果,比较不同实验的代码。使用可视化工具,如训练图和混淆矩阵,对实验结果进行排序和过滤,并定义自定义指标来评估训练后的模型。
転移学習
学習済みのネットワークにアクセスし,これを出発点として新しいタスクを学習し,またより少数の学習用画像を使って学習済みの特徴を新しいタスクに素早く転移できます。
事前学习済みモデル
1行のコードで最新の事前学習済みのネットワークにアクセスします.Inception-v3, SqueezeNet, NASNet,およびGoogLeNetを含む事前学习済みモデルをインポートします。
学習進行状況
さまざまなメトリクスのプロットで,反复のたびに学习进行状况を表示します。検证メトリックを学习メトリクスに対してプロットして,ネットワークが过适合していないか视覚的に确认します。
ネットワークアクティベーション
特定の层に対応するアクティベーションを抽出し,学习された特徴を可视化したり,アクティベーションを使用して机械学习分类器を学习させたりします.Grad-CAMアプローチを使用して,ディープラーニングネットワークがどのように分类决定を行うかを理解します。
ONNXコンバーター
他のディープラーニングフレームワークとの相互运用性のために,MATLAB®内でONNXモデルをインポートおよびエクスポートします.ONNXは,あるフレームワークで学习されたモデルを,推论のために他のフレームワークに転移することを可能にします。GPU编码器™を使用して,最適化されたCUDAコードを生成し,MATLAB编码器™を使用してインポーターモデルのc++コードを生成します。
来自Caffeインポーター
推论と転移学习のために,来自Caffe型号动物园からMATLABにモデルをインポートします。
GPUでの高速化
高性能のNVIDIA GPUによりディープラーニング学习と推论を加速します。単一のワークステーションGPUで学习を実行したり,データセンターまたはクラウド上のDGXシステムで复数のGPUに拡张したりすることができます。3.0以上の计算能力を持つCUDA®対応のNVIDIA GPUのほとんどををMATLABと并行计算工具箱で使用できます。
クラウドでの高速化
クラウドインスタンスでディープラーニングに必要な学习时间を短缩します。最良の结果を得るには,高性能GPUインスタンスを使用します。
分散コンピューティング
MATLAB并行服务器を使用し,ネットワークで接続した複数のコンピューターの複数のプロセッサでディープラーニング学習を実行できます。
スタンドアロンアプリケーションの展開
MATLAB编译器™およびMATLAB编译SDK™を使用して,ディープラーニングモデルを備えたMATLABプログラムから,学習済みのネットワークを,c++共有ライブラリ,微软®netアセンブリ,Java®クラス,巨蟒®パッケージとして展开します。
教師なしネットワーク
データ内の関係を見つけ,浅いネットワークを新しい入力に絶えず適応させることによって,分類スキームを自動的に定義します。自己組織化された教師なしネットワークと,競合層,自己組織化マップを使用します。
スタックされたオートエンコーダー
オートエンコーダーを使用して,データセットから低次元の特徴量を抽出することで,教师なしの特徴量変换を実行します。また,复数のエンコーダーを学习させ,スタックすることにより,スタックされたオートエンコーダーを教师あり学习に使用することもできます。
実験マネージャーアプリ
复数のディープラーニング実験を管理して,学习パラメーターを追迹し,结果とコードを解析して比较
ディープネットワークデザイナアプリ
画像分類のためのネットワークを対話的に学習し,学習用MATLABコードを生成,学習済みモデルにアクセス
カスタム学习ループ
复数のの入出力や,3- d CNN层を持つネットワークを学习
ディープラーニングを用いた解析例
注意機構(关注)を使用して画像キャプションネットワークを学習し,データラベルと属性を使用して条件付きGANを学習
学习済みネットワーク
暗网-19および暗网-53を用いた転移学习の実行
ONNXのサポート
ONNXモデルコンバーターを用いて复数入出力のネットワークをインポート
学習の柔軟性
カスタムの学習ループ用にカスタムレイヤー向后関数を指定
これらの機能やそれに対応する機能の詳細については,リリースノートをご覧ください。
用于深度学习的MATLAB
只需几行MATLAB代码,您可以应用深度学习技术,将您的工作是否你设计的算法,准备和标记数据,或生成代码,并部署到嵌入式系统。