La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Introduction à Deep Learning Toolbox
Deep Learning Toolbox™ propose un framework pour le design et l’implémentation de réseaux de neurones profonds avec des algorithmes, des modèles préentraînés et des applications. Vous pouvez utiliser des réseaux de neurones à convolution (ConvNets, CNN) et des réseaux LSTM (long short-term memory) pour faire de la classification et de l'analyse de régression sur des images, des séries temporelles et du texte. Vous pouvez créer des architectures de réseaux tels que des réseaux antagonistes génératifs (GAN) et des réseaux de neurones siamois (Siamese networks) en utilisant la différenciation automatique, des boucles d’apprentissage personnalisées et des pondérations partagées. L’application Deep Network Designer permet de concevoir, analyser et entraîner des réseaux de manière graphique. L’application Experiment Manager vous aide à gérer plusieurs expériences de Deep Learning, à assurer le suivi des paramètres d’apprentissage, à analyser les résultats et à comparer le code de différentes expérimentations. Vous pouvez visualiser les activations de couches et surveiller graphiquement la progression de l’apprentissage.
Vous pouvez importer des réseaux et des graphiques de couches depuis TensorFlow™ 2, TensorFlow-Keras, PyTorch®, le format de modèle ONNX™ (Open Neural Network Exchange) et Caffe. Vous pouvez également exporter des réseaux et des graphes de couches de Deep Learning Toolbox vers TensorFlow 2 et au format de modèle ONNX. La toolbox supporte l’apprentissage par transfert avec DarkNet-53, ResNet-50, NASNet, SqueezeNet et bien d’autres modèles préentraînés.
Vous pouvez accélérer l’apprentissage sur une station de travail à un ou à plusieurs GPU (avec Parallel Computing Toolbox™) ou l'exécuter à plus grande échelle sur des clusters et des clouds, tels que les instances NVIDIA® GPU Cloud et Amazon EC2® GPU (avec MATLAB® Parallel Server™).
Tutoriels
- Introduction au Deep Network Designer
Cet exemple montre comment utiliser Deep Network Designer pour adapter un réseau GoogLeNet préentraîné dans le but de classer une nouvelle collection d’images.
- Essayer le Deep Learning en 10 lignes de code MATLAB
Découvrez comment utiliser le Deep Learning pour identifier des objets sur une webcam live avec le réseau préentraîné SqueezeNet.
- Classer une image avec un réseau préentraîné
Cet exemple indique comment classer une image avec le réseau de neurones à convolution préentraîné GoogLeNet.
- En savoir plus sur l’apprentissage par transfert
Cet exemple indique comment utiliser l’apprentissage par transfert pour entraîner à nouveau SqueezeNet, un réseau de neurones à convolution préentraîné, afin de classer un nouveau jeu d’images.
- Créer un réseau simple de classification d’image
Cet exemple montre comment créer et entraîner un réseau de neurones à convolution simple pour la classification Deep Learning.
- Créer un réseau simple de classification d’images avec Deep Network Designer
Cet exemple montre comment utiliser Deep Network Designer pour créer et entraîner un réseau de neurones à convolution simple pour la classification du Deep Learning.
- Utiliser Deep Network Designer pour créer un réseau simple de classification de séquences
Cet exemple montre comment utiliser Deep Network Designer pour créer un réseau LSTM (long short-term memory) simple.
Réseaux peu profonds
- Réseaux peu profonds pour la reconnaissance de formes, le clustering et les séries temporelles
Utilisez les applications et les fonctions pour concevoir des réseaux de neurones peu profonds pour le fitting de fonction (ajustement de fonction), la reconnaissance de formes, le clustering et l’analyse de séries temporelles.
Exemples présentés
Apprentissage interactif
Deep Learning Onramp
Cette formation gratuite de Deep Learning de deux heures propose une introduction interactive aux méthodes pratiques de Deep Learning. Vous apprendrez à utiliser des techniques de Deep Learning dans MATLAB pour la reconnaissance d'images.
Vidéos
Modifier de manière interactive un réseau de Deep Learning pour l’apprentissage par transfert
Deep Network Designer est un outil de type pointer-cliquer pour la création ou la modification de réseaux de neurones profonds. Cette vidéo montre comment utiliser l'application dans un workflow d'apprentissage par transfert. Elle démontre la facilité avec laquelle vous pouvez utiliser l’outil pour modifier les dernières couches du réseau importé au lieu de modifier les couches en ligne de commande. Vous pouvez vérifier les erreurs de connexion et d'affectation des propriétés de l’architecture modifiée en utilisant un analyseur de réseau.
Deep Learning avec MATLAB : Deep Learning en 11 lignes de code MATLAB
Découvrez comment utiliser MATLAB, une simple webcam et un réseau de neurones profond pour identifier des objets autour de vous.
Deep Learning avec MATLAB : Apprentissage par transfert en 10 lignes de code MATLAB
Apprenez à vous servir de l'apprentissage par transfert dans MATLAB pour préentraîner des réseaux de Deep Learning créés par des experts pour vos propres données ou tâches.