Deep Learning Toolbox

Concevoir, entraîner et analyser des réseaux de Deep Learning

Deep Learning Toolbox™ offre un environnement permettant de concevoir et d'implémenter des réseaux de neurones profonds avec des algorithmes, des modèles pré-entraînés et des applications. Vous pouvez utiliser des réseaux de neurones à convolution (« ConvNets » ou CNN) et des réseaux LSTM (Long Short-Term Memory) pour effectuer des régressions et des classifications sur des données textuelles, images et de séries temporelles. Vous pouvez créer des architectures de réseau comme des réseaux antagonistes génératifs (GAN) et des réseaux siamois en utilisant la différentiation automatique, des boucles d'apprentissage personnalisées et des pondérations partagées. Avec l'application Deep Network Designer, vous pouvez concevoir, analyser et entraîner des réseaux via une interface graphique. L'application Experiment Manager vous permet de gérer plusieurs expériences de Deep Learning, d'assurer le suivi des paramètres d'apprentissage, d'analyser les résultats et de comparer le code de plusieurs expériences. Vous pouvez visualiser les activations de couches et contrôler la progression de l'apprentissage sous forme graphique.

Vous pouvez échanger des modèles avec TensorFlow™ et PyTorch grâce au format ONNX et importer des modèles depuis TensorFlow-Keras et Caffe. La toolbox supporte l'apprentissage par transfert avec de nombreux modèles pré-entraînés, parmi lesquels DarkNet-53, ResNet-50, NASNet et SqueezeNet.

Vous pouvez accélérer le processus d'apprentissage sur un poste de travail à un ou plusieurs GPU (grâce à Parallel Computing Toolbox™), ou étendre votre utilisation à des clusters et des clouds, tels que les instances GPU Amazon EC2® et NVIDIA® GPU Cloud (avec MATLAB Parallel Server™).

En savoir plus :

Réseaux et architectures

Entraînez des réseaux de Deep Learning pour la classification, la régression et l'apprentissage de caractéristiques sur des données textuelles, images et de séries temporelles.

Réseaux de neurones à convolution (CNN)

Apprenez des motifs dans des images afin de reconnaître des objets, des visages et des scènes. Créez et entraînez des réseaux de neurones à convolution (CNN) pour effectuer des opérations d'extraction de caractéristiques et de reconnaissance d'images.

Réseaux LSTM (Long Short-Term Memory)

Apprenez les dépendances long-terme dans des données séquentielles, comme par exemple les données issues d'un signal, audio, texte et de séries temporelles. Créez et entraînez des réseaux LSTM (Long Short-Term Memory) pour effectuer des opérations de classification et de régression. 

Utiliser les réseaux LSTM

Architectures réseau

Utilisez différentes structures de réseau telles que les architectures DAG (Directed Acyclic Graph) et récurrentes pour créer votre réseau de Deep Learning. Créez des architectures de réseau avancées comme des réseaux antagonistes génératifs (GAN) et des réseaux siamois en utilisant des boucles d'apprentissage personnalisées, des pondérations partagées et la différenciation automatique.

Utiliser différentes architectures réseau

Analyse et conception d'un réseau

Créez, visualisez, expérimentez et analysez des réseaux de Deep Learning à l'aide d'applications interactives.

Concevoir des réseaux de Deep Learning

Créez et entraînez un réseau profond à partir de zéro avec l'application Deep Network Designer. Importez un modèle pré-entraîné, visualisez la structure du réseau, modifiez les couches, réglez les paramètres et entraînez le modèle.

Analyser des réseaux de Deep Learning

Analysez votre architecture de réseau afin de détecter et déboguer les erreurs et les problèmes de compatibilité avant la phase d'apprentissage. Visualisez la topologie du réseau et consultez des détails tels que les paramètres et activations entraînables.

Analyser l'architecture d'un réseau de Deep Learning

Gérer des expériences de Deep Learning

Gérez plusieurs expériences de Deep Learning avec l'application Experiment Manager. Assurez le suivi des paramètres d'apprentissage, analysez les résultats et comparez le code de plusieurs expériences. Utilisez des outils de visualisation comme des tracés d'apprentissage et des matrices de confusion, triez et filtrez les résultats d’expériences, et définissez des métriques personnalisées pour évaluer les modèles entraînés.

Concevoir et exécuter des expériences pour entraîner et comparer des réseaux de Deep Learning.

Apprentissage par transfert et modèles pré-entraînés

Importez des modèles pré-entraînés dans MATLAB pour l'inférence.

Apprentissage par transfert

Accédez à des réseaux pré-entraînés et utilisez-les comme point de départ pour apprendre une nouvelle tâche. Exécutez un apprentissage par transfert afin d'utiliser les caractéristiques apprises dans le réseau pour une tâche spécifique.

Modèles pré-entraînés

Accédez aux réseaux pré-entraînés les plus récents issus de la recherche avec une seule ligne de code. Importez des modèles pré-entraînés, y compris DarkNet-53, ResNet-50, SqueezeNet, NASNet et Inception-v3.

Analyse de modèles pré-entraînés

Visualisation et débogage

Visualisez la progression de l'apprentissage et les activations des caractéristiques apprises dans un réseau de Deep Learning.

Progression de l'apprentissage

Consultez la progression de l'apprentissage à chaque itération à l'aide du tracé de différentes métriques. Affichez la comparaison entre les métriques de validation et les métriques d'apprentissage pour voir si un surajustement a lieu au niveau du réseau.

Surveiller la progression de l'apprentissage de votre modèle

Activations d'un réseau

Extrayez les activations correspondant à une couche, visualisez les caractéristiques apprises et entraînez un classificateur de Machine Learning à l'aide des activations. Utilisez l'approche Grad-CAM pour comprendre pourquoi un réseau de Deep Learning prend ses décisions de classification.

Visualisation des activations

Framework Interoperability

Interoperate with deep learning frameworks from MATLAB.

ONNX Converter

Import and export ONNX models within MATLAB® for interoperability with other deep learning frameworks. ONNX enables models to be trained in one framework and transferred to another for inference. Use GPU Coder™ to generate optimized NVIDIA® CUDA® code and use MATLAB Coder™ to generate C++ code for the imported model.

Interoperating with deep learning frameworks.

TensorFlow-Keras Importer

Import models from TensorFlow-Keras into MATLAB for inference and transfer learning. Use GPU Coder to generate optimized CUDA code and use MATLAB Coder to generate C++ code for the imported model.

Caffe Importer

Import models from Caffe Model Zoo into MATLAB for inference and transfer learning.

Importing models from Caffe Model Zoo into MATLAB.

Accélération de l'apprentissage

Accélérez l'apprentissage du Deep Learning à l'aide de GPU, d'un cloud et de calculs distribués. 

Accélération GPU

Accélérez l'apprentissage et les inférences du Deep Learning avec les GPU NVIDIA haute performance. Effectuez l'apprentissage sur un poste de travail à GPU unique ou déployez l'apprentissage sur plusieurs GPU avec des systèmes DGX dans des datacenters ou sur le cloud. Vous pouvez utiliser MATLAB avec Parallel Computing Toolbox et la plupart des GPU NVIDIA compatibles CUDA dotés d'une capacité de calcul 3.0 ou supérieure.

Accélération avec des GPU

Accélération cloud

Accélérez l'apprentissage du Deep Learning à l'aide d'instances dans le cloud. Pour obtenir les meilleurs résultats, utilisez des instances GPU haute performance.

Accélérer l'apprentissage dans le cloud avec Parallel Computing Toolbox et MATLAB Parallel Server.

Augmenter la puissance du Deep Learning avec le calcul parallèle et dans le cloud

Génération et déploiement de code

Déployez des réseaux entraînés sur des systèmes embarqués ou intégrez-les dans des environnements de production.

Génération de code

Utilisez GPU Coder pour générer du code CUDA optimisé à partir de code MATLAB pour le Deep Learning, la vision embarquée et les systèmes autonomes. Générez du code C++ avec MATLAB Coder pour déployer des réseaux de Deep Learning sur des processeurs Intel® Xeon® et ARM® Cortex®-A. Automatisez la compilation croisée et le déploiement du code généré sur les plateformes NVIDIA Jetson™ et DRIVE™, et sur des cartes Raspberry Pi™.

Déployer des applications autonomes

MATLAB Compiler™ et MATLAB Compiler SDK™ vous permettent de déployer des réseaux entraînés en tant que bibliothèques partagées C++, assemblages Microsoft®.NET, classes Java® et packages Python® à partir de programmes MATLAB avec des modèles de Deep Learning.

Partager des programmes MATLAB autonomes avec MATLAB Compiler

Quantification du Deep Learning

Quantifiez votre réseau de Deep Learning en INT8 et analysez les compromis sur la précision de la quantification des poids et des biais des couches sélectionnées en utilisant le support package Model Quantization Library.

Réseaux de neurones peu profonds

Utilisez des réseaux de neurones avec différentes architectures de réseau de neurones peu profond supervisé et non supervisé.

Réseaux supervisés

Entraînez des réseaux de neurones peu profonds supervisés pour modéliser et contrôler des systèmes dynamiques, classifier des données bruitées et prévoir des événements futurs. 

Réseau de neurones peu profonds.

Réseaux non supervisés

Détectez les relations entre les données et définissez automatiquement des modèles de classification en laissant le réseau peu profond s'ajuster continuellement aux nouvelles entrées. Utilisez des réseaux non supervisés, auto-organisés, ainsi que des couches cachées et des cartes auto-organisatrices.

Carte auto-organisatrice.

Auto-encodeurs empilés

Effectuez une transformation de caractéristiques non supervisée en extrayant des caractéristiques de faible dimension à partir de votre jeu de données à l'aide d'auto-encodeurs. Vous pouvez également utiliser des auto-encodeurs empilés pour l'apprentissage supervisé en entraînant et empilant plusieurs encodeurs.

Encodeur empilé

Nouveautés

Application Experiment Manager

Gérez plusieurs expériences de Deep Learning, assurez le suivi des paramètres d’apprentissage, analysez et comparez les résultats et le code

Application Deep Network Designer

Entraînez interactivement un réseau à la classification d’images, générez du code MATLAB pour l’apprentissage et accédez à des modèles pré-entraînés

Boucles d’apprentissage personnalisées

Entraînez des réseaux possédant plusieurs entrées, plusieurs sorties ou des couches CNN 3-D

Exemples de Deep Learning

Entraînez des réseaux de sous-titrage d’images en utilisant des modèles d’attention et des réseaux antagonistes génératifs (GAN) conditionnels en utilisant des données labellisées

Réseaux pré-entraînés

Réalisez un apprentissage par transfert avec DarkNet-19 et DarkNet-53

Support d'ONNX

Importez des réseaux avec plusieurs entrées ou plusieurs sorties en utilisant l'outil de conversion de modèles ONNX

Flexibilité d'apprentissage

Spécifiez les fonctions arrière pour les couches personnalisées pour les boucles d’apprentissage personnalisées

Consultez les notes de version pour en savoir plus sur ces fonctionnalités et les fonctions correspondantes.

MATLAB pour le Deep Learning

Quelques lignes de code MATLAB suffisent pour appliquer des techniques de Deep Learning à vos projets, que ce soit pour la conception d'algorithmes, la préparation et la labellisation des données ou la génération et le déploiement de code sur des systèmes embarqués.