Workflows pour les images

Utilisez l’apprentissage par transfert pour mettre à profit les connaissances offertes par un réseau préentraîné afin d’apprendre de nouveaux patterns dans de nouvelles images. L’ajustement précis d’un réseau de classification d’images préentraîné avec l’apprentissage par transfert est généralement beaucoup plus rapide et facile que l’apprentissage à partir de zéro. L’utilisation de réseaux profonds préentraînés vous permet de créer rapidement des modèles pour de nouvelles tâches sans avoir à définir et à entraîner un nouveau réseau, à disposer de millions d'images ou d'un puissant GPU. Vous pouvez également créer de nouveaux réseaux profonds pour des tâches de classification et de régression sur des images en définissant l’architecture du réseau et en entraînant le réseau à partir de zéro.

Vous pouvez entraîner le réseau en utilisant la fonction trainnet avec la fonction trainingOptions ou vous pouvez spécifier une boucle d’apprentissage personnalisée avec des objets dlnetwork ou des fonctions d’objet dlarray.

Vous pouvez entraîner un réseau de neurones sur un CPU, un GPU, plusieurs CPU ou GPU ou bien en parallèle sur un cluster ou dans le cloud. L’apprentissage sur un GPU ou en parallèle nécessite Parallel Computing Toolbox™. L’utilisation d’un GPU nécessite un dispositif GPU supporté (pour plus d'information sur les dispositifs supportés, veuillez consulter GPU Computing Requirements (Parallel Computing Toolbox)). Spécifiez l’environnement d’exécution avec la fonction trainingOptions.

Vous pouvez surveiller la progression de l’apprentissage avec des tracés prédéfinis des fonctions de précision et de perte du réseau. Vous pouvez également analyser des réseaux entraînés avec des techniques de visualisation comme Grad-CAM, la sensibilité aux occlusions, LIME et DeepDream.

Si vous disposez d’un réseau entraîné, vous pouvez vérifier sa robustesse, calculer ses limites de valeur en sortie et trouver des exemples contradictoires. Vous pouvez également utiliser un réseau entraîné dans des modèles Simulink^® en utilisant des blocs de la bibliothèque Deep Neural Networks.