Deep Learning Toolbox
Erstellen, Analysieren und Trainieren von Deep-Learning-Netzen
Die Deep Learning Toolbox™ (früher Neural Network Toolbox™) bietet ein Framework für den Entwurf und die Implementierung von tiefen neuronalen Netzen mit Algorithmen, vortrainierten Modellen und Apps. Sie können neuronale Faltungsnetzwerke (ConvNets, CNNs) und LSTM-Netze (Long Short-Term Memory) verwenden, um die Klassifikation und die Regression für Bild-, Zeitreihen- und Textdaten durchzuführen. Sie können komplexere Netzarchitekturen aufbauen, wie Generative Adversarial Networks (GANs) und Siamesische Netze, indem Sie benutzerdefinierte Trainings-Schleifen, gemeinsame Gewichte und die automatische Differenzierung verwenden. Apps und Diagramme helfen Ihnen, Aktivierungen zu visualisieren, Netzarchitekturen zu bearbeiten und zu analysieren sowie den Trainingsfortschritt zu überwachen.
Sie können Modelle im ONNX-Format mit TensorFlow™ und PyTorch austauschen sowie Modelle aus TensorFlow-Keras und Caffe importieren. Die Toolbox unterstützt Transfer Learning mithilfe einer Bibliothek von vortrainierten Modellen (einschließlich NASNet, SqueezeNet, Inception-v3 und ResNet-101).
Sie können das Training auf einer Workstation mit einer oder mehreren GPUs beschleunigen (mit der Parallel Computing Toolbox™) oder es auf Cluster und Clouds hochskalieren, darunter NVIDIA® GPU Cloud und GPU-Instanzen von Amazon EC2® (mit MATLAB Parallel ServerTM).
Get Started:
Convolutional Neural Networks (CNNs, neuronale Faltungsnetzwerke)
Finden und erlernen Sie Muster in Bildern, um Objekte, Gesichter und Szenen zu erkennen. Erstellen und trainieren Sie neuronale Faltungsnetzwerke (CNNs) für die Merkmalsextraktion und Bilderkennung.
LSTM-Netze (Long Short-Term Memory)
Lernen Sie langfristige Abhängigkeiten in Sequenzdaten, einschließlich Signal-, Audio-, Text- und anderen Zeitreihendaten. Erstellen und trainieren Sie LSTM-Netze (Long Short-Term Memory), um Klassifikations- und Regressionsaufgaben durchzuführen.
Arbeiten mit LSTMs.
Netzarchitekturen
Verwenden Sie verschiedene Netzstrukturen wie gerichtete azyklische Graphen (DAGs) und rekurrente Architekturen, um Ihr Deep-Learning-Netz zu erstellen. Erstellen Sie komplexere Netzarchitekturen, wie Generative Adversarial Networks (GANs) und Siamesische Netze, indem Sie benutzerdefinierte Trainings-Schleifen, gemeinsame Gewichte und die automatische Differenzierung verwenden.
Arbeiten mit unterschiedlichen Netzarchitekturen.
Entwerfen von Deep-Learning-Netzen
Erstellen Sie mit der Deep Network Designer-App ein tiefes Netz von Grund auf neu. Importieren Sie ein vortrainiertes Modell, visualisieren Sie die Netzstruktur, bearbeiten Sie die Schichten, und optimieren Sie Parameter.
Analysieren von Deep-Learning-Netzen
Analysieren Sie Ihre Netzarchitektur, um Fehler, Warnungen und Probleme der Kompatibilität verbundener Schichten vor dem Training zu erkennen und zu debuggen. Visualisieren Sie die Netztopologie und sehen Sie sich Details wie lernbare Parameter und Aktivierungen an.
Analysieren einer Deep-Learning-Netzarchitektur.
Transfer Learning
Greifen Sie auf vortrainierte Netze zu, und verwenden Sie sie als Ausgangspunkt, um eine neue Aufgabe zu lernen und um gelernte Merkmale anhand von weniger Trainingsbildern schnell auf eine neue Aufgabe zu übertragen.
Vortrainierte Modelle
Greifen Sie mit einer einzigen Codezeile auf die aktuellen vortrainierten Netze aus der Forschung zu. Importieren Sie vortrainierte Modelle wie Inception-v3, SqueezeNet, NASNet und GoogLeNet.
Analyse von Modellen mit tiefen neuronalen Netzen.
Trainingsfortschritt
Sehen Sie sich den Trainingsfortschritt in jeder Iteration mithilfe von Diagrammen für verschiedene Metriken an. Stellen Sie Validierungsmetriken im Vergleich zu Trainingsmetriken dar, um visuell zu prüfen, ob ein Overfitting des Netzes vorliegt.
Überwachen des Trainingsfortschritts Ihres Modells.
Netzaktivierungen
Extrahieren Sie Aktivierungen für eine bestimmte Schicht, visualisieren Sie die gelernten Merkmale und trainieren Sie einen Machine-Learning-Klassifikator mithilfe der Aktivierungen. Verwenden Sie den Grad-CAM-Ansatz, um zu verstehen, warum ein Deep-Learning-Netz seine Klassifikationsentscheidungen trifft.
Visualisieren von Aktivierungen.
ONNX-Konverter
Importieren und exportieren Sie ONNX-Modelle in und aus MATLAB®, um die Interoperabilität mit anderen Deep-Learning-Frameworks zu nutzen. Mit ONNX können Modelle in einem Framework trainiert und dann für die Inferenz in ein anderes übertragen werden. Verwenden Sie GPU Coder™, um optimierten CUDA-Code , und MATLAB Coder™, um C++-Code für das importierte Modell zu generieren.
Interoperabilität mit anderen Deep-Learning-Frameworks.
Importfunktion für TensorFlow-Keras
Importieren Sie Modelle aus TensorFlow-Keras in MATLAB, um sie für die Inferenz und das Transfer Learning zu nutzen. Verwenden Sie GPU Coder, um optimierten CUDA-Code , und MATLAB Coder, um C++-Code für das importierte Modell zu generieren.
Importfunktion für Caffe
Importieren Sie Modelle aus Caffe Model Zoo in MATLAB, um sie für die Inferenz und das Transfer Learning zu nutzen.
Importieren von Modellen aus Caffe Model Zoo in MATLAB.
GPU-Beschleunigung
Beschleunigen Sie das Training und die Inferenz für Deep Learning mit leistungsstarken NVIDIA-GPUs. Führen Sie das Training auf einer einzelnen GPU Ihrer Workstation durch, oder skalieren Sie es mit DGX-Systemen in Rechenzentren oder in der Cloud auf mehrere GPUs. Sie können MATLAB mit der Parallel Computing Toolbox und den meisten CUDA®-fähigen NVIDIA-GPUs mit Compute Capability 3.0 oder höher verwenden.
Beschleunigung mit GPUs.
Cloud-Beschleunigung
Verringern Sie den Zeitaufwand für das Training für Deep Learning mithilfe von Cloud-Instanzen. Verwenden Sie leistungsstarke GPU-Instanzen für beste Ergebnisse.
Beschleunigen des Trainings in der Cloud mit der Parallel Computing Toolbox und MATLAB Parallel Server.
Verteiltes Rechnen
Führen Sie das Training für Deep Learning auf mehreren Prozessoren auf mehreren Servern in einem Netzwerk mit MATLAB Parallel Server durch.
Hochskalieren von Deep Learning durch Parallelisierung und in der Cloud.
Codegenerierung
Verwenden Sie GPU Coder , um optimierten CUDA-Code aus MATLAB-Code für Deep Learning, Embedded Vision und autonome Systeme zu generieren. Verwenden Sie MATLAB Coder , um C++-Code zu generieren, mit dem Sie Deep-Learning-Netze auf Intel® Xeon®- und ARM® Cortex®-A-Prozessoren bereitstellen können.
Bereitstellen von Standalone- Anwendungen
Verwenden Sie MATLAB Compiler™ und MATLAB Compiler SDK™, um trainierte Netze von MATLAB-Programmen mit Deep-Learning-Modellen als C++ Shared Libraries, Microsoft® .NET-Assemblies, Java®-Klassen und Python®-Pakete bereitzustellen.
Weitergeben eigenständiger MATLAB-Programme mit dem MATLAB Compiler.
Überwachtes Lernen
Trainieren Sie flache neuronale Netze, um dynamische Systeme zu modellieren und zu steuern, verrauschte Daten zu klassifizieren und zukünftige Ereignisse vorherzusagen.
Flaches neuronales Netz.
Unüberwachtes Lernen
Finden Sie Beziehungen innerhalb von Daten, und definieren Sie automatisch Klassifikationsschemas, wobei sich das Netz ständig den neuen Eingaben anpasst. Verwenden Sie selbstorganisierendeNetze für unüberwachtes Lernen sowie Competitive-Layers und selbstorganisierende Karten.
Selbstorganisierende Karte.
Geschichtete Auto-Encoder
Führen Sie eine unüberwachte Merkmalstransformation durch, indem Sie niedrigdimensionale Merkmale mithilfe von Auto-Encodern aus Ihrem Datensatz extrahieren. Sie können außerdem geschichtete Auto-Encoder für das überwachte Lernen verwenden, indem Sie mehrere Encoder trainieren und schichten.
Geschichteter Auto-Encoder.
Flexibilität für das Training
Trainieren komplexerer Netzarchitekturen mit benutzerdefinierten Trainings-Schleifen, automatischer Differenzierung, gemeinsamen Gewichten und benutzerdefinierten Verlustfunktionen
Deep-Learning-Netze
Erstellen von Generative Adversarial Networks (GANs), Siamesischen Netzen, variational autoencoderund Attention-Netzen
Daten-Vorverarbeitung
Verbessertes Trainingdank mehrerer Normalisierungsoptionen für Daten
Visualisierung
Zuordnen stark aktivierender Merkmale von Eingabedaten mithilfe der Okklusionsempfindlichkeit
MIMO-Netze (Multiple-Input, Multiple-Output)
Trainieren von Netzen mit mehreren Eingaben und mehreren Ausgaben
LSTM-Netze (Long Short-Term Memory)
Berechnung von Aktivierungen tieferer Schichten
ONNX-Unterstützung
Exportieren von Netzen, in denen CNN- und LSTM-Schichten kombiniert sind, sowie Netzen, die 3D-CNN-Schichten enthalten, in das ONNX-Format
Details zu diesen Features und den zugehörigen Funktionen finden Sie in den Versionshinweisen.
MATLAB für Deep Learning
Entwerfen, erstellen und visualisieren Sie Deep-Learning-Netze
Haben Sie Fragen?
Kontaktieren Sie Shounak Mitra, den technischen Experten für die Deep Learning Toolbox
