Les nouveautés de MATLAB pour le Deep Learning

Avec MATLAB, le Deep Learning est simple et accessible à tous, y compris aux non-experts. Découvrez les dernières fonctionnalités pour concevoir et développer vos propres modèles, l'apprentissage et la visualisation des réseaux, ainsi que le déploiement.

Préparation et labélisation des données

  • Video Labeler : labélisez les données de la vérité-terrain dans des séquences d'images ou vidéos
  • Audio Labeler : définissez et visualisez de façon interactive les étiquettes de la vérité-terrain pour les jeux de données audio
  • Nouveau Signal Labeler : visualisez et labélisez des signaux de manière interactive
  • Nouveau Datastore d'étiquettes de pixels : stockez les informations des pixels pour les données de segmentation sémantique 2D et 3D
  • Nouveau Datastore audio : gérez d'importantes collections d'enregistrements audio
  • Nouveau Datastore pour les images : support des données 3D

Architectures de réseau

  • Nouveau Créez des architectures de réseaux avancées, par exemple des réseaux GAN, siamois, des réseaux d'attention et des auto-encodeurs variationnels
  • Entrainez un détecteur d'objets Deep Learning YOLO v2 et générez du code C et CUDA
  • Deep Network Designer : concevez et analysez graphiquement des réseaux profonds et générez du code MATLAB
  • Support des couches personnalisées : définissez de nouvelles couches avec de nombreuses entrées et sorties et spécifiez des fonctions de perte pour la classification et la régression
  • Combinez des LSTM et des couches à convolution pour la classification de vidéos et la reconnaissance de gestes

Interopérabilité du Deep Learning

  • Importez et exportez des modèles depuis ou vers d'autres environnements de Deep Learning en utilisant le format de modèle ONXX et générez du code CUDA
  • Nouveau Possibilité de travailler avec MobileNet-v2, ResNet-101, Inception-v3, SqueezeNet, NASNet-Large et Xception
  • Importez des modèles TensorFlow-Keras et générez du code C, C++ et CUDA
  • Importez des réseaux DAG dans l'outil d'importation de modèles Caffe

Voir une liste exhaustive des modèles préentraînés supportés dans MATLAB.

Apprentissage des réseaux

  • Validez automatiquement la performance du réseau et arrêtez l'apprentissage lorsque les métriques de validation ne s'améliorent plus
  • Nouveau Vous pouvez aussi effectuer l'apprentissage des réseaux de Deep Learning sur des données d'images 3D
  • Réglez les hyperparamètres grâce à l'optimisation bayésienne
  • Optimisateurs supplémentaires pour l'apprentissage : ADAM et RMSprop
  • Entraînez des réseaux DAG en parallèle et sur plusieurs GPU
  • Effectuez l'apprentissage de modèles de Deep Learning sur NVIDIA DGX et sur des plateformes cloud

Débogage et visualisation

  • Activations de DAG : visualisez les activations intermédiaires pour des réseaux tels que ResNet-50, ResNet-101, GoogLeNet et Inception-v3
  • Surveillez l'apprentissage avec des tracés de précision, de perte et des métriques de validation
  • Network Analyzer : visualisez et analysez les architectures de réseau, et détectez les problèmes avant l’apprentissage
  • Nouveau Visualisez les activations de réseaux LSTM et utilisez Grad-CAM pour comprendre les décisions de classification

Déploiement

  • Nouveau Générez du code pour des réseaux tels que les détecteurs d'objets YOLO V2, DeepLab-v3+, MobileNet-v2, Xception, DenseNet-201 et les réseaux récurrents
  • Nouveau Déployez des réseaux de Deep Learning sur des processeurs GPU ARM Mali
  • Nouveau Déploiement automatisé vers des plateformes Jetson AGX Xavier et Jetson Nano
  • Appliquez des transposées optimisées CUDA grâce à une mémoire partagée pour améliorer les performances

Apprentissage par renforcement

  • Nouveau Algorithmes d’apprentissage par renforcement : entraînez des politiques de réseaux de neurones profonds en utilisant des algorithmes DQN, DDPG, A2C, PPO et autres
  • Modélisation de l'environnement : créez des modèles MATLAB et Simulink pour représenter des environnements et fournir des observations et des signaux de récompense pour l'apprentissage de politiques
  • Accélération de l'apprentissage : parallélisez l'apprentissage de politiques sur GPU et processeurs multicœurs
  • Nouveau Exemples de référence : implémentez des politiques pour des applications robotiques, de conduite autonome et de design de contrôle

Obtenez gratuitement la version d'essai

Bénéficiez d’une version d’essai gratuite de 30 jours.

Vous avez des questions ?

Échangez avec un expert du Deep Learning.