Deep Learning Toolbox™ служит основой для разработки и реализации глубоких нейронных сетей, включая алгоритмы, предварительно обученные модели и приложения. Можно использовать сверточные нейронные сети (ConvNets, CNNs) и сети долгой краткосрочной памяти (LSTM) для решения задач классификации и регрессии на изображениях, временных рядах и текстах. Можно создать сетевые архитектуры, такие как генеративные состязательные сети (GANs) и сиамские сети с помощью автоматического дифференцирования, пользовательских циклов для обучения и совместно использованных весов. С приложением Deep Network Designer можно спроектировать, анализировать и обучить нейронные сети графически. Приложение Experiment Manager помогает вам справиться с несколькими экспериментами глубокого обучения, отслеживать учебные параметры, анализировать результаты и сравнить код из различных экспериментов. Можно визуализировать активации слоя и графически контролировать процесс обучения.
Можно обмениваться моделями с TensorFlow™ и PyTorch через формат ONNX™ и импортировать модели из TensorFlow-Keras и Caffe. Тулбокс поддерживает передачу обучения с DarkNet-53, ResNet-50, NASNet, SqueezeNet и многими другими предварительно обученными моделями.
Можно ускорить обучение на рабочей станции с одним или несколькими графическими процессорами (с Parallel Computing Toolbox™) или масштабировать до кластеров и облаков, включая NVIDIA®Облако GPU и Amazon EC2® GPU инстансы (с MATLAB® Parallel Server™).
В этом примере показано, как использовать Deep Network Designer, чтобы адаптировать предварительно обученную сеть GoogLeNet, чтобы классифицировать новый набор изображений.
Узнать, как использовать глубокое обучение, чтобы идентифицировать объекты на веб-камере реального времени с предварительно обученной сетью AlexNet.
В этом примере показано, как классифицировать изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
В этом примере показано, как использовать передачу обучения, чтобы переобучить SqueezeNet, предварительно обученную сверточную нейронную сеть, чтобы классифицировать новый набор изображений.
В этом примере показано, как создать и обучить простую сверточную нейронную сеть классификации глубокого обучения.
В этом примере показано, как создать и обучить простую сверточную нейронную сеть классификации глубокого обучения с помощью Deep Network Designer.
В этом примере показано, как создать простую сеть классификации долгой краткосрочной памяти (LSTM) использование Deep Network Designer.
Используйте приложения и функции, чтобы спроектировать мелкие нейронные сети для функционального подбора кривой, распознавания образов, кластеризации и анализа временных рядов.
Глубокое обучение Onramp
Этот свободный, двухчасовой пример по глубокому обучению обеспечивает интерактивное введение в практические методы глубокого обучения. Вы будете учиться использовать методы глубокого обучения в MATLAB для распознавания изображений.
В интерактивном режиме измените нейронную сеть для глубокого обучения для передачи обучения
Deep Network Designer является инструментом "укажи и выбери" для создания или изменения глубоких нейронных сетей. Это видео показывает, как использовать приложение в рабочем процессе передачи обучения. Это демонстрирует простоту, с которой можно использовать инструмент, чтобы изменить последние несколько слоев в импортированной сети в противоположность изменению слоев в командной строке. Можно проверить модифицированную архитектуру на наличие ошибок в связях и присвоениях свойства с помощью сетевого анализатора.
Глубокое обучение для MATLAB: глубокое обучение в 11 линиях кода MATLAB
Смотрите, как использовать MATLAB, простую веб-камеру и глубокую нейронную сеть, чтобы идентифицировать объекты в вашей среде.
Глубокое обучение для MATLAB: передача обучения в 10 линиях кода MATLAB
Узнать, как использовать передачу обучения в MATLAB, чтобы переобучить нейронные сети для глубокого обучения
, созданные экспертами для ваших собственных данных или задачи.
