Deep Learning

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 de réseaux, ainsi que le déploiement.

Préparation et étiquetage des données

  • Video Labeler : étiquetez des données vérité-terrain dans des séquences d’images ou vidéo
  • Audio Labeler : définissez et visualisez de façon interactive les étiquettes de vérité-terrain pour les jeux de données audio
  • Nouveau Signal Labeler : visualisez et étiquetez des signaux de manière interactive
  • Nouveau Datastore d’étiquettes de pixels : stockez des informations de pixels pour des données de segmentation sémantique 2D et 3D
  • Datastore d’images augmenté : créez plus d’exemples pour augmenter les données d’apprentissage du Deep Learning
  • Nouveau Datastore audio : gérez d’importantes collections d’enregistrements audio

Architectures réseau

  • Réseaux LSTM régressifs et bidirectionnels pour les sorties continues de séries temporelles
  • Nouveau Entraînez un détecteur d’objets Deep Learning YOLO v2 et générez du code CUDA
  • Deep Network Designer : concevez et analysez graphiquement des réseaux profonds et générez du code MATLAB
  • Nouveau 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
  • Nouveau Combinez des réseaux 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 à l’aide du format de modèle ONXX
  • Possibilité de travailler avec MobileNet-v2, ResNet-101, Inception-v3, SqueezeNet et Xception
  • Nouveau Importez des modèles TensorFlow-Keras et générez du code CUDA
  • Nouveau 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 Entraînez des réseaux de Deep Learning sur des données d’images 3D
  • Réglez les hyperparamètres à l’aide de l’optimisation bayésienne
  • Optimisateurs supplémentaires pour l’apprentissage : ADAM et RMSprop
  • Entraînez des réseaux DAG en parallèle et sur plusieurs GPU
  • Nouveau Élaborez des modèles de Deep Learning sur NVIDIA DGX et sur des plateformes cloud

Débogage et visualisation

  • Activations de DAG : visualisez des 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 mesures de validation
  • Analyseur de réseaux : visualisez les architectures du réseau, analysez-les et détectez les problèmes avant la phase d’apprentissage

Déploiement

  • Intégrez du code CUDA généré avec NVIDIA®TensorRT qui tire profit de l’optimisation FP16
  • Support des réseaux DAG, notamment GoogLeNet, ResNet-50, ResNet-101 et SegNet
  • Générez du code à partir de vos modèles de Deep Learning entraînés pour les processeurs Intel® Xeon et ARM® Cortex-A®.
  • Déploiement automatique vers les plateformes DRIVE et NVIDIA Jetson
  • Optimisation du Deep Learning : amélioration des performances grâce au réglage automatique, à la fusion des couches et au support de la bibliothèque Thrust
  • Nouveau Appliquez des transposées optimisées CUDA grâce à une mémoire partagée pour améliorer les performances

Apprentissage par renforcement

  • Algorithmes d’apprentissage par renforcement : entraînez des politiques de réseaux de neurones profonds à l’aide d’algorithmes DQN, DDPG, A2C et autres
  • Modélisation environnementale : 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
  • Exemples de référence : implémentez des contrôleurs à l’aide de l’apprentissage par renforcement pour des applications de conduite automatisée et de robotique

Version d’évaluation

Bénéficiez d'une version d'évaluation de 30 jours.

Vous avez des questions ?

Échangez avec un expert du Deep Learning.