MATLAB für Deep Learning

Datenaufbereitung, Design, Simulation und Bereitstellung von tiefen neuronalen Netzen

Mit nur wenigen Zeilen MATLAB®-Code können Sie Deep-Learning-Techniken für Ihre Arbeit nutzen, ganz gleich, ob Sie Algorithmen entwerfen, Daten aufbereiten und kennzeichnen oder Code generieren und auf Embedded Systems bereitstellen.

MATLAB bietet folgende Möglichkeiten:

  • Erstellung, Modifizierung und Analyse von Deep-Learning-Architekturen mithilfe von Apps und Visualisierungstools
  • Vorverarbeitung von Daten und Automatisierung der Ground-Truth-Kennzeichnung von Bild-, Video- und Audiodaten mithilfe von Apps
  • Beschleunigung von Algorithmen auf NVIDIA® -GPUs, in der Cloud und in Rechenzentren, ganz ohne spezielle Programmierung
  • Zusammenarbeit mit Kollegen, die Frameworks wie TensorFlow, PyTorch und MxNet verwenden
  • Simulation und Training von dynamischem Systemverhalten mit Reinforcement Learning
  • Generieren von simulationsbasierten Trainings- und Testdaten aus MATLAB- und Simulink® -Modellen physikalischer Systeme

Sehen Sie, wie andere Kunden MATLAB für Deep Learning einsetzen

Panel Navigation

Shell

Nutzt die semantische Segmentierung zur Geländeerkennung in hyperspektralen Satellitendaten

Panel Navigation

Autoliv

Kennzeichnet LiDAR-Daten zur Verifizierung eines radarbasierten automatisierten Fahrsystems

Panel Navigation

Ritsumeikan University

Trainiert faltende neuronale Netze anhand von CT-Bildern, um Risiken durch Strahlenbelastung zu reduzieren

Panel Navigation

 

Mit: KI in den Ingenieurswissenschaften

Aufbereiten und Kennzeichnen von Bild-, Zeitreihen- und Textdaten

MATLAB reduziert den Zeitaufwand für die Vorverarbeitung und Kennzeichnung von Datensätzen dank domänenspezifischer Apps für Audio-, Video-, Bild- und Textdaten erheblich. Synchronisieren Sie unterschiedliche Zeitreihen, ersetzen Sie Ausreißer durch interpolierte Werte, schärfen Sie Bilder und filtern Sie verrauschte Signale. Verwenden Sie interaktive Apps zum Kennzeichnen, Beschneiden und Identifizieren wichtiger Merkmale sowie integrierte Algorithmen zur Automatisierung des Kennzeichnungsvorgangs.

Entwerfen, Trainieren und Bewerten von Modellen

Beginnen Sie mit einem vollständigen Satz von Algorithmen und vorgefertigten Modellen und erstellen und modifizieren Sie dann Deep-Learning-Modelle mit der Deep Network Designer-App. Integrieren Sie Deep-Learning-Modelle für domänenspezifische Probleme, ohne komplexe Netzarchitekturen von Grund auf neu erstellen zu müssen.

Nutzen Sie Techniken zum Finden der optimalen Netzwerk-Hyperparameter sowie die Parallel Computing Toolbox™ und leistungsstarke NVIDIA-GPUs, um diese berechnungsintensiven Algorithmen zu beschleunigen. Verwenden Sie Visualisierungstools in MATLAB und Techniken wie Grad-CAM und Occlusion Sensitivity, um Erkenntnisse zu Ihrem Modell zu gewinnen. Mit Simulink können Sie die Auswirkungen Ihres trainierten Deep-Learning-Modells auf die Performance auf Systemebene bewerten.

Simulieren und Generieren von synthetischen Daten

Daten für genaue Modelle sind entscheidend, und MATLAB kann zusätzliche Daten erzeugen, wenn Sie nicht über genug geeignete Szenarien verfügen. Verwenden Sie zum Beispiel synthetische Bilder von Computerspiel-Engines wie der Unreal Engine®, um mehr Grenzfälle zu berücksichtigen. Verwenden Sie Generative Adversarial Networks (GANs), um benutzerdefinierte simulierte Bilder zu erstellen.

Testen Sie Algorithmen, bevor Daten von Sensoren zur Verfügung stehen, indem Sie synthetische Daten aus Simulink generieren. Dieser Ansatz wird häufig in automatisierten Fahrsystemen verwendet.

Integration in Python-basierte Frameworks

Sie müssen sich nicht zwischen MATLAB und Open-Source-Frameworks entscheiden. Mit MATLAB können Sie von überall auf die neuesten Forschungsergebnisse zugreifen, indem Sie die ONNX-Importfunktionen nutzen. Außerdem können Sie für den schnellen Einstieg eine Bibliothek von vorgefertigten Modellen wie NASNet, SqueezeNet, Inception-v3 und ResNet-101 verwenden. Da Sie Python aus MATLAB und MATLAB aus Python heraus aufrufen können, können Sie ganz leicht mit Kollegen zusammenarbeiten, die Open Source verwenden.

Bereitstellen trainierter Netze

Stellen Sie Ihr trainiertes Modell auf Embedded Systems, in Unternehmenssystemen, auf FGPA-Geräten oder in der Cloud bereit. MATLAB unterstützt die automatische Generierung von CUDA®-Code für das trainierte Netz sowie für die Vor- und Nachverarbeitung, um speziell neueste NVIDIA-Grafikkarten als Zielhardware einzusetzen.

Wenn es auf Leistung ankommt, können Sie Code generieren, der optimierte Bibliotheken von Intel®, NVIDIA und ARM® nutzt, um einsatzbereite Modelle mit hoher Inferenzgeschwindigkeit zu erstellen. Für Edge Deployment können Sie einen Prototyp Ihres Netzwerks auf einem FPGA erstellen und dann serienreife HDL für jedes beliebige Gerät generieren.

Deep-Learning-Themenfelder

Panel Navigation

Signalverarbeitung

Erfassen und analysieren Sie Signale und Zeitreihendaten.

Panel Navigation

Computer Vision

Erfassen, verarbeiten und analysieren Sie Bilder und Videos.

Panel Navigation

Reinforcement Learning

Definieren und trainieren Sie Agenten für das Reinforcement Learning und stellen Sie die erlernten Strategien bereit.

Schneller Einstieg

Deep Learning Onramp

Einstieg in die Techniken des Deep Learning mit diesem kostenlosen praktischen Tutorial.

Mehr erfahren über Ressourcen für den Einstieg

Sehen Sie sich eine Demo an, erkunden Sie die interaktiven Beispiele und nutzen Sie kostenlose Tutorials.

Kostenlose Testversion anfordern

Eine 30-tägige Erkundungstour auf Knopfdruck.

Deep Learning Toolbox ansehen

Haben Sie Fragen?

Sprechen Sie mit einem Deep-Learning-Experten.