Классифицируйте изображения от веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Используйте передачу обучения, чтобы переобучить сверточную нейронную сеть, чтобы классифицировать новый набор изображений.

Предскажите данные временных рядов с помощью сети долгой краткосрочной памяти (LSTM).

Используйте Deep Network Designer, чтобы адаптировать предварительно обученную сеть GoogLeNet, чтобы классифицировать новый набор изображений. Этот процесс называется передачей обучения и обычно намного быстрее и легче, чем обучение новой сети, потому что можно применить изученные функции к новой задаче с помощью меньшего числа учебных изображений. Чтобы подготовить сеть к передаче обучения в интерактивном режиме, используйте Deep Network Designer.

Классифицируйте изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Используйте передачу обучения, чтобы переобучить SqueezeNet, предварительно обученную сверточную нейронную сеть, чтобы классифицировать новый набор изображений. Попробуйте этот пример, чтобы видеть, как простой это должно начать с глубоким обучением в MATLAB®.

Создайте и обучите простую сверточную нейронную сеть классификации глубокого обучения. Сверточные нейронные сети являются особыми инструментами для глубокого обучения и особенно подходят для распознавания изображений.

Создайте и обучите простую сверточную нейронную сеть классификации глубокого обучения с помощью Deep Network Designer. Сверточные нейронные сети являются особыми инструментами для глубокого обучения и особенно подходят для распознавания изображений.

Создайте простую сеть классификации долгой краткосрочной памяти (LSTM) использование Deep Network Designer.

Классифицируйте изображения от веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Используйте передачу обучения, чтобы переобучить сверточную нейронную сеть, чтобы классифицировать новый набор изображений.

Создайте глубокую нейронную сеть с остаточными связями и обучите ее на данных CIFAR-10. Остаточные связи являются популярным элементом в архитектурах сверточной нейронной сети. Используя остаточные связи улучшает поток градиента через сеть и включает обучение более глубоких сетей.

Подготовьте datastore к обучению сеть регрессии от изображения к изображению использование преобразования и функций объединения ImageDatastore.

Используйте глубокие сверточные нейронные сети в модели Simulink®, чтобы выполнить обнаружение транспортного средства и маршрут. Этот пример берет системы координат из видео трафика как вход, выходные параметры два контура маршрута, которые соответствуют левым и правым маршрутам автомобиля, оборудованного датчиком, и обнаруживает транспортные средства в системе координат.

Вейвлет использования преобразовывает и нейронная сеть для глубокого обучения в модели Simulink(R), чтобы классифицировать сигналы ECG. Этот пример использует предварительно обученную сверточную нейронную сеть от Классифицировать Временных рядов Используя пример Анализа и Глубокого обучения Вейвлета Wavelet Toolbox™, чтобы классифицировать сигналы ECG на основе изображений от CWT данных временных рядов. Для получения информации об обучении смотрите, Классифицируют Временные ряды Используя Анализ Вейвлета и Глубокое обучение (Wavelet Toolbox).

Классифицируйте изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

В интерактивном режиме подстройте предварительно обученную нейронную сеть для глубокого обучения, чтобы изучить новую задачу классификации изображений.

Извлеките изученные функции изображений из предварительно обученной сверточной нейронной сети и используйте те функции, чтобы обучить классификатор изображений. Извлечение признаков является самым легким и самым быстрым способом использовать представительную степень предварительно обученных глубоких сетей. Например, можно обучить машину опорных векторов (SVM) с помощью fitcecoc (Statistics and Machine Learning Toolbox™) на извлеченных функциях. Поскольку извлечение признаков только требует одного прохода через данные, это - хорошая начальная точка, если у вас нет графического процессора, чтобы ускорить сетевое обучение с.

Подстройте предварительно обученную сверточную нейронную сеть GoogLeNet, чтобы выполнить классификацию на новом наборе изображений.

Создайте и обучите простую сверточную нейронную сеть классификации глубокого обучения. Сверточные нейронные сети являются особыми инструментами для глубокого обучения и особенно подходят для распознавания изображений.

Подбирайте модель регрессии использование сверточных нейронных сетей, чтобы предсказать углы вращения рукописных цифр.

Создайте и обучите простую нейронную сеть для классификации данных о функции глубокого обучения.

Обучите порождающую соперничающую сеть (GAN) генерировать изображения.

Обучите условную порождающую соперничающую сеть (CGAN) генерировать изображения.

Обучите сеть, чтобы передать стиль изображения к второму изображению. Это основано на архитектуре, заданной в [1].

Обучите модель глубокого обучения вводу субтитров изображений с помощью внимания.

Обучите сеть, которая классифицирует рукописные цифры с пользовательским расписанием скорости обучения.

Обучите нейронную сеть для глубокого обучения с несколькими выходными параметрами, которые предсказывают и метки и углы вращений рукописных цифр.

Обучите сиамскую сеть, чтобы идентифицировать подобные изображения рукописных символов.

Импортируйте пользовательский взвешенный слой классификации и добавьте его в предварительно обученную сеть в Deep Network Designer. Используйте взвешенный слой классификации для проблем классификации с неустойчивым распределением классов.

Используйте Deep Network Designer, чтобы создать и обучить сеть регрессии от изображения к изображению для супер разрешения.

Преобразуйте обученную сеть классификации в сеть регрессии.

Классифицируйте данные о последовательности с помощью сети долгой краткосрочной памяти (LSTM).

Предскажите данные временных рядов с помощью сети долгой краткосрочной памяти (LSTM).

Обучите модель глубокого обучения, которая обнаруживает присутствие речевых команд в аудио. Пример использует Речевой Набор данных Команд [1], чтобы обучить сверточную нейронную сеть распознавать данный набор команд.

Классифицируйте каждый временной шаг данных о последовательности с помощью сети долгой краткосрочной памяти (LSTM).

Предскажите остающийся срок полезного использования (RUL) механизмов при помощи глубокого обучения.

Создайте сеть для видео классификации путем объединения предварительно обученной модели классификации изображений и сети LSTM.

Обучите модель глубокого обучения вводу субтитров изображений с помощью внимания.

Обучите нейронную сеть для глубокого обучения на данных о последовательности из памяти с помощью пользовательского мини-пакетного datastore.

Исследуйте и визуализируйте функции, изученные сетями LSTM путем извлечения активаций.

Классифицируйте каждый временной шаг данных о последовательности с помощью типовой временной сверточной сети (TCN).

Используйте данные моделирования, чтобы обучить нейронную сеть, которая может обнаружить отказы в химическом процессе. Сеть обнаруживает отказы в симулированном процессе с высокой точностью. Типичный рабочий процесс следующие:

Создайте простую сеть классификации долгой краткосрочной памяти (LSTM) использование Deep Network Designer.

Классифицируйте текстовые данные с помощью сети долгой краткосрочной памяти (LSTM) глубокого обучения.

Классифицируйте текстовые данные с помощью сверточной нейронной сети.

Классифицируйте текстовые данные, которые имеют несколько независимых меток.

Классифицируйте текстовые данные из памяти с нейронной сетью для глубокого обучения с помощью преобразованного datastore.

Преобразуйте десятичные строки в Римские цифры с помощью модели декодера энкодера повторяющейся последовательности к последовательности с вниманием.

Обучите сеть долгой краткосрочной памяти (LSTM) глубокого обучения генерировать текст.

Обучите сеть LSTM глубокого обучения, чтобы сгенерировать текст с помощью символьных вложений.

Обучите сеть LSTM глубокого обучения, чтобы сгенерировать текст пословно.

Сгенерируйте текстовые данные с помощью автоэнкодеров.

Задайте текстовую функцию модели энкодера.

Задайте текстовую функцию модели декодера.

Классифицируйте изображения от веб-камеры в режиме реального времени с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.

Сгенерируйте изображения с помощью deepDreamImage с предварительно обученной сверточной нейронной сетью GoogLeNet.

Используйте взвешенную градиентом активацию класса, сопоставляющую (CAM градиента) метод, чтобы изучить, почему нейронная сеть для глубокого обучения принимает свои решения классификации. CAM градиента, изобретенный Selvaraju и соавторами [1], использует градиент классификационной оценки относительно сверточных функций, определенных сетью для того, чтобы понять, какие части изображения являются самыми важными для классификации. Этот пример использует предварительно обученную сеть GoogLeNet для изображений.

Используйте карты чувствительности поглощения газов, чтобы изучить, почему глубокая нейронная сеть принимает решение классификации. Чувствительность поглощения газов является простым методом для понимания, какие части изображения являются самыми важными для классификации глубокой сети. Можно измерить чувствительность сети к поглощению газов в различных областях данных с помощью небольших возмущений данных. Используйте чувствительность поглощения газов, чтобы получить высокоуровневое понимание того, что изображение показывает сеть использование, чтобы сделать конкретной классификацией и обеспечить понимание причин, почему сеть может неправильно классифицировать изображение.

Сохраните сети контрольной точки, в то время как обучение нейронная сеть для глубокого обучения и возобновляет обучение от ранее сохраненной сети.

Примените Байесовую оптимизацию к глубокому обучению и найдите оптимальные сетевые гиперпараметры и опции обучения для сверточных нейронных сетей.

Запустите несколько экспериментов глубокого обучения на своей локальной машине. Используя этот пример как шаблон, можно изменить слоя сети и опции обучения, чтобы удовлетворить определенным потребностям приложения. Можно использовать этот подход с синглом или несколькими графическими процессорами. Если у вас есть один графический процессор, сети обучаются один за другим в фоновом режиме. Подход в этом примере позволяет вам продолжить использовать MATLAB®, в то время как эксперименты глубокого обучения происходят.

Обучите сеть, которая классифицирует рукописные цифры с пользовательским расписанием скорости обучения.

Обучите нейронную сеть для глубокого обучения классификации при помощи Experiment Manager. В этом примере вы обучаете две сети, чтобы классифицировать изображения товаров MathWorks в пять классов. Каждая сеть обучена с помощью трех алгоритмов. В каждом случае матрица беспорядка сравнивает истинные классы для набора изображений валидации с классами, предсказанными обучившим сеть. Для получения дополнительной информации об обучении сети для классификации изображений смотрите, Обучают Нейронную сеть для глубокого обучения Классифицировать Новые Изображения.

Обучите нейронную сеть для глубокого обучения регрессии при помощи Experiment Manager. В этом примере вы используете модель регрессии, чтобы предсказать углы вращения рукописных цифр. Пользовательская метрическая функция определяет часть угловых предсказаний в приемлемом допуске на погрешность от истинных углов. Для получения дополнительной информации об использовании модели регрессии смотрите, Обучают Сверточную нейронную сеть Регрессии.

Обучите глубокие сети в параллели с помощью Experiment Manager. Выполнение эксперимента параллельно позволяет вам пробовать различные учебные настройки одновременно. Можно также использовать MATLAB®, в то время как обучение происходит. Параллельное выполнение требует Parallel Computing Toolbox™.

Используйте метрические функции, чтобы оценить результаты эксперимента. По умолчанию, когда вы запускаете эксперимент глубокого обучения, Experiment Manager вычисляет потерю, точность (для экспериментов классификации), и среднеквадратическая ошибка (для экспериментов регрессии) для каждого испытания в вашем эксперименте. Чтобы вычислить другие меры, создайте свою собственную метрическую функцию. Например, можно задать метрические функции к: Проверьте производительность предсказания обучившего сеть.

Используйте Байесовую оптимизацию в Experiment Manager, чтобы найти оптимальные сетевые гиперпараметры и опции обучения для сверточных нейронных сетей. Байесова оптимизация предоставляет альтернативную стратегию широким гиперпараметрам в эксперименте. Вы указываете диапазон значений для каждого гиперпараметра и выбираете метрику, чтобы оптимизировать, и Experiment Manager ищет комбинацию гиперпараметров, которая оптимизирует вашу выбранную метрику. Байесова оптимизация требует Statistics and Machine Learning Toolbox™.

Сконфигурируйте эксперимент, который заменяет слои различных предварительно обученных сетей для передачи обучения. Чтобы сравнить эффективность различных предварительно обученных сетей для вашей задачи, отредактируйте этот эксперимент и задайте который предварительно обученные сети использовать. Прежде, чем запустить эксперимент, используйте функции, такие как googlenet, чтобы заставить ссылки загружать предварительно обученные сети с Add-On Explorer.

Сконфигурируйте эксперимент, который инициализирует веса свертки и полносвязных слоев с помощью различных инициализаторов веса для обучения. Чтобы сравнить эффективность различных инициализаторов веса для вашей задачи, создайте эксперимент с помощью этого примера в качестве руководства.

Когда вы обучаете нейронные сети для глубокого обучения, часто полезно контролировать процесс обучения. Путем графического вывода различных метрик во время обучения можно изучить, как обучение прогрессирует. Например, можно определить, если и как быстро сетевая точность улучшается, и начинает ли сеть сверхсоответствовать обучающим данным.

Используйте локально поддающиеся толкованию объяснения модели агностические (LIME), чтобы изучить, почему глубокая нейронная сеть принимает решение классификации.

Используйте карты приписывания градиента, чтобы заняться расследованиями, какие части изображения являются самыми важными для решений классификации, принятых глубокой нейронной сетью.

Используйте отображение активации класса (CAM), чтобы исследовать и объяснить предсказания глубокой сверточной нейронной сети для классификации изображений.

Используйте набор данных, чтобы узнать то, что активирует каналы глубокой нейронной сети. Это позволяет вам изучать, как работает нейронная сеть, и также диагностируйте потенциальные проблемы с обучающим набором данных.

Используйте функцию tsne, чтобы просмотреть активации в обучившем сеть. Это представление может помочь вам изучить, как работает сеть.

Накормите изображением сверточную нейронную сеть и отобразите активации различных слоев сети. Исследуйте активации и узнайте, какие функции сеть изучает путем сравнения областей активации с оригинальным изображением. Узнайте, что каналы в более ранних слоях изучают простые функции как цвет и ребра, в то время как каналы в более глубоких слоях изучают комплексные функции как глаза. Идентификация функций таким образом может помочь вам изучить то, что изучила сеть.

Исследуйте и визуализируйте функции, изученные сетями LSTM путем извлечения активаций.

Визуализируйте функции, изученные сверточными нейронными сетями.

Обучите глубокие сети в параллели с помощью Experiment Manager. Выполнение эксперимента параллельно позволяет вам пробовать различные учебные настройки одновременно. Можно также использовать MATLAB®, в то время как обучение происходит. Параллельное выполнение требует Parallel Computing Toolbox™.

Обучите использование сверточной нейронной сети MATLAB автоматическая поддержка параллельного обучения. Обучение глубокому обучению часто занимает часы или дни. С параллельными вычислениями можно ускорить обучение с помощью нескольких графических блоков обработки (графические процессоры) локально или в кластере в облаке. Если у вас есть доступ к машине с помощью нескольких графических процессоров, то можно завершить этот пример на локальной копии данных. Если вы хотите использовать больше ресурсов, то можно увеличить обучение глубокому обучению к облаку. Чтобы узнать больше о ваших опциях для параллельного обучения, смотрите, Увеличивают Глубокое обучение в параллели и в облаке. Этот пример проводит вас по шагам, чтобы обучить нейронную сеть для глубокого обучения в кластере в использовании облака MATLAB автоматическая параллельная поддержка.

Используйте parfeval, чтобы выполнить развертку параметра на глубине сетевой архитектуры для нейронной сети для глубокого обучения и получить данные во время обучения.

Отправьте пакетные задания обучения глубокому обучению в кластер так, чтобы можно было продолжить работать или закрыть MATLAB во время обучения.

Используйте несколько графических процессоров на своей локальной машине для обучения глубокому обучению использование автоматической параллельной поддержки. Учебные нейронные сети для глубокого обучения часто занимают часы или дни. С параллельными вычислениями можно ускорить обучение с помощью нескольких графических процессоров. Чтобы узнать больше об опциях для параллельного обучения, смотрите, Увеличивают Глубокое обучение в параллели и в облаке.

Запустите несколько экспериментов глубокого обучения на своей локальной машине. Используя этот пример как шаблон, можно изменить слоя сети и опции обучения, чтобы удовлетворить определенным потребностям приложения. Можно использовать этот подход с синглом или несколькими графическими процессорами. Если у вас есть один графический процессор, сети обучаются один за другим в фоновом режиме. Подход в этом примере позволяет вам продолжить использовать MATLAB®, в то время как эксперименты глубокого обучения происходят.

Используйте цикл parfor, чтобы выполнить развертку параметра на опции обучения.

Загрузите данные на блок Amazon S3.

Настройте пользовательский учебный цикл, чтобы обучить сеть параллельно. В этом примере параллельные рабочие обучаются на фрагментах полного мини-пакета. Если у вас есть графический процессор, то обучение происходит на графическом процессоре. Во время обучения объект DataQueue передает информацию о процессе обучения обратно клиенту MATLAB.

Обучите сеть семантической сегментации использование глубокого обучения.

Обучите вы только смотрите однажды (YOLO) v2 детектор объектов.

Обучите нейронную сеть Очень глубокого суперразрешения (VDSR), затем используйте сеть VDSR, чтобы оценить изображение с высоким разрешением от одного изображения с низкой разрешающей способностью.

Обучите порождающую соперничающую сеть (GAN) генерировать изображения.

Обучите сеть, которая классифицирует рукописные цифры с пользовательским расписанием скорости обучения.

Создайте и обучите нейронную сеть для глубокого обучения при помощи функций, а не графика слоев или dlnetwork. Преимуществом использования функций является гибкость, чтобы описать большое разнообразие сетей. Недостаток - то, что необходимо завершить больше шагов и подготовить данные тщательно. Этот пример использует изображения рукописных цифр с двойными целями классификации цифр и определения угла каждой цифры от вертикали.

Обучите сиамскую сеть, чтобы сравнить рукописные цифры с помощью сокращения размерности.

Обучите сиамскую сеть, чтобы идентифицировать подобные изображения рукописных символов.

Обучите модель глубокого обучения вводу субтитров изображений с помощью внимания.

Классифицируйте текстовые данные, которые имеют несколько независимых меток.

Преобразуйте десятичные строки в Римские цифры с помощью модели декодера энкодера повторяющейся последовательности к последовательности с вниманием.

Классифицируйте каждый временной шаг данных о последовательности с помощью типовой временной сверточной сети (TCN).

Настройте пользовательский учебный цикл, чтобы обучить сеть параллельно. В этом примере параллельные рабочие обучаются на фрагментах полного мини-пакета. Если у вас есть графический процессор, то обучение происходит на графическом процессоре. Во время обучения объект DataQueue передает информацию о процессе обучения обратно клиенту MATLAB.

Создайте вариационный автоэнкодер (VAE) в MATLAB, чтобы сгенерировать изображения цифры. VAE генерирует нарисованные от руки цифры в стиле набора данных MNIST.

Обучите сеть, чтобы классифицировать изображения объектов с помощью циклического расписания скорости обучения и создать снимки ensembling для лучшей тестовой точности. В примере вы изучаете, как использовать косинусную функцию для расписания скорости обучения, взять снимки состояния сети во время обучения создать ансамбль модели и добавить регуляризацию L2-нормы (затухание веса) к учебной потере.

Создайте, считайте и увеличьте datastore изображений для использования в обучении нейронная сеть для глубокого обучения. В частности, этот пример показывает, как создать объект ImageDatastore из набора изображений, считайте и извлеките свойства datastore и создайте augmentedImageDatastore для использования во время обучения.

Как MATLAB® и Image Processing Toolbox™ могут выполнить общие виды увеличения изображений как часть рабочих процессов глубокого обучения.

Используйте MATLAB®, Computer Vision Toolbox™ и Image Processing Toolbox™, чтобы выполнить общие виды изображения и пиксельного увеличения метки как часть рабочих процессов семантической сегментации.

Используйте MATLAB®, Computer Vision Toolbox™ и Image Processing Toolbox™, чтобы выполнить общие виды поля изображения и увеличения ограничительной рамки как часть рабочих процессов обнаружения объектов.

Обучите модель глубокого обучения, которая обнаруживает присутствие речевых команд в аудио. Пример использует Речевой Набор данных Команд [1], чтобы обучить сверточную нейронную сеть распознавать данный набор команд.

Классифицируйте текстовые данные с помощью сети долгой краткосрочной памяти (LSTM) глубокого обучения.

Подготовьте datastore к обучению сеть регрессии от изображения к изображению использование преобразования и функций объединения ImageDatastore.

Обучите нейронную сеть для глубокого обучения на данных о последовательности из памяти путем преобразования и объединения хранилищ данных.

Классифицируйте текстовые данные с помощью сверточной нейронной сети.

Классифицируйте текстовые данные из памяти с нейронной сетью для глубокого обучения с помощью преобразованного datastore.

Выполните генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает предсказание при помощи сетей классификации изображений, таких как MobileNet-v2, ResNet и GoogLeNet.

Генерация кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая выполняет предсказание на Сетевом объекте DAG для SegNet [1], нейронной сети для глубокого обучения для сегментации изображений.

Сгенерируйте код CUDA® от нейронной сети для глубокого обучения, представленной объектом SeriesNetwork. В этом примере серийная сеть является сверточной нейронной сетью, которая может обнаружить и вывести контуры маркера маршрута от изображения.

Демонстрирует, как сгенерировать код CUDA® для сети долгой краткосрочной памяти (LSTM). Пример генерирует приложение MEX, которое делает предсказания на каждом шаге входа timeseries. Продемонстрированы два метода: метод с помощью стандартной сети LSTM и метода, усиливающего поведение с сохранением информации той же сети LSTM. Этот пример использует данные о датчике акселерометра из смартфона, продолжил тело и делает предсказания на действии владельца. Пользовательские перемещения классифицируются в одну из пяти категорий, а именно, танца, выполнения, нахождения, положения и обхода. Пример использует предварительно обученную сеть LSTM. Для получения дополнительной информации об обучении смотрите, что Классификация Последовательностей Использует пример Глубокого обучения от Deep Learning Toolbox™.

Используйте функцию cnncodegen, чтобы сгенерировать код для приложения классификации изображений, которое использует глубокое обучение на ARM® Mali графические процессоры. Пример использует сеть MobileNet-v2 DAG, чтобы выполнить классификацию изображений. Сгенерированный код использует в своих интересах библиотеку ARM Compute для компьютерного зрения и машинного обучения.

Сгенерируйте CUDA® MEX для вы только смотрите однажды (YOLO) v2 детектор объектов. Сеть обнаружения объектов YOLO v2 состоит из двух подсетей. Сеть извлечения признаков сопровождается сетью обнаружения. Этот пример генерирует код для сети, обученной в Обнаружении объектов Используя пример YOLO v2 Глубокого обучения от Computer Vision Toolbox™. Для получения дополнительной информации смотрите, что Обнаружение объектов Использует Глубокое обучение (Computer Vision Toolbox) YOLO v2. Можно изменить этот пример, чтобы сгенерировать CUDA® MEX для сети, импортированной в Импорте Предварительно обученный пример ONNX YOLO v2 Детектора объектов от Computer Vision Toolbox™. Для получения дополнительной информации смотрите Импорт Предварительно обученный Детектор объектов (Computer Vision Toolbox) ONNX YOLO v2.

Сгенерируйте CUDA® MEX для вы только смотрите однажды (YOLO) v3 детектор объектов с пользовательскими слоями. Пример использует обнаружение объектов YOLO v3, чтобы проиллюстрировать:

Генерация кода для применения глубокого обучения при помощи библиотеки NVIDIA TensorRT™. Это использует codegen команду, чтобы сгенерировать файл MEX, чтобы выполнить предсказание с сетью классификации изображений ResNet-50 при помощи TensorRT. Второй пример демонстрирует использование codegen команды, чтобы сгенерировать файл MEX, который выполняет 8-битное целочисленное предсказание при помощи TensorRT для сети классификации логотипов.

Сгенерируйте код CUDA® MEX для обнаружения дорожного знака и приложения для распознавания, которое использует глубокое обучение. Обнаружение дорожного знака и распознавание являются важным приложением для систем помощи водителю, помощи и предоставления информации к драйверу о дорожных знаках.

Генерация кода для приложения классификации логотипов, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая выполняет предсказание на объекте SeriesNetwork под названием LogoNet.

Генерация кода для пешеходного приложения обнаружения, которое использует глубокое обучение. Пешеходное обнаружение является ключевым вопросом в компьютерном зрении. Пешеходное обнаружение имеет несколько приложений в областях автономного управления автомобилем, наблюдения, робототехники, и так далее.

Сгенерируйте CUDA® MEX из кода MATLAB® и denoise полутоновых изображений при помощи сверточной нейронной сети шумоподавления (DnCNN [1]). Можно использовать сеть шумоподавления, чтобы оценить шум в шумном изображении, и затем удалить его, чтобы получить изображение denoised.

Обучите и разверните полностью сверточную сеть семантической сегментации на графическом процессоре NVIDIA® при помощи GPU Coder™.

Генерация кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая выполняет предсказание на Сетевом объекте DAG для U-Net, нейронной сети для глубокого обучения для сегментации изображений.

Сгенерируйте и разверните код для предсказания на устройстве ARM®-based, не используя пакет аппаратной поддержки.

Используйте codegen, чтобы сгенерировать код для приложения классификации Логотипов, которое использует глубокое обучение на процессорах ARM®. Приложение классификации логотипов использует сеть серии LogoNet, чтобы выполнить распознавание логотипа от изображений. Сгенерированный код использует в своих интересах библиотеку ARM Compute для компьютерного зрения и машинного обучения.

Используйте codegen команду, чтобы сгенерировать код для приложения классификации изображений, которое использует глубокое обучение на процессорах Intel®. Сгенерированный код использует Math Kernel Library Intel для Глубоких нейронных сетей (MKL-DNN). Этот пример состоит из двух частей: первая часть показывает, как сгенерировать MEX-функцию, которая принимает пакет изображений, как введено.

Сгенерируйте Код С++ для сети обнаружения объектов YOLO v2 на процессоре Intel®. Сгенерированный код использует Math Kernel Library Intel для Глубоких нейронных сетей (MKL-DNN).

Сгенерируйте и разверните Код С++, который использует предварительно обученную сеть MobileNet-v2 для объектного предсказания.

Сгенерируйте MEX-функцию, которая выполняет сегментацию изображений при помощи нейронной сети для глубокого обучения U-Net на центральных процессорах Intel.

Сгенерируйте статическую библиотеку, которая выполняет сегментацию изображений при помощи нейронной сети для глубокого обучения U-Net на целях ARM.

Сгенерируйте код для предварительно обучаемой длинной краткосрочной сети memory, чтобы предсказать Остающийся Срок полезного использования (RUI) машины.

Сгенерируйте код для предварительно обученной сети LSTM, которая делает предсказания для каждого шага входа timeseries.

Сгенерируйте библиотеку или исполняемый код на хосте - компьютере для развертывания на аппаратной цели ARM.