Neuerungen in MATLAB für Deep Learning

MATLAB macht Deep Learning für jeden einfach und zugänglich und eignet sich nicht nur für Experten. Sehen Sie sich die neuen Funktionen für den Entwurf und die Erstellung Ihrer eigenen Modelle sowie für das Trainieren, die Visualisierung und die Bereitstellung von Netzen an.

Vorverarbeitung und Labeling von Daten

  • Video Labeler: Kennzeichnung von Ground-Truth-Daten in Video- oder Bildsequenzen
  • Audio Labeler: Interaktive Definition und Visualisierung von Ground Truth-Kennzeichnungen für Audiodatensätze
  • Neu – Signal Labeler: Interaktive Visualisierung und Kennzeichnung von Signalen
  • Neu – Pixel-Label-Datastore: Speichern von Pixelinformationen für Daten aus der semantischen Segmentierung in 2D und 3D
  • Neu – Audio-Datastore: Verwaltung großer Sammlungen von Audioaufnahmen
  • Neu Image Datastore : Unterstützung für 3D-Daten

Netzarchitekturen

  • Neu Erstellen fortgeschrittener Netzarchitekturen wie GANs, Siamesische Netze, Attention-Netze und variational Autoencoder
  • Trainieren eines Deep-Learning-Objektdetektors vom Typ „You Only Look Once“ (YOLO) v2 und Generieren von C und CUDA-Code
  • Deep Network Designer: Entwurf und Analyse tiefer Netze in einer grafischen Benutzeroberfläche und Generierung von MATLAB-Code
  • Unterstützung benutzerdefinierter Schichten: Definieren neuer Schichten mit mehreren Eingängen und Ausgängen und von Verlustfunktionen für Klassifikation und Regression
  • Kombinieren Sie LSTM- und faltende Schichten zur Videoklassifikation und Gestenerkennung.

Deep-Learning-Interoperabilität

  • Importieren und Exportieren von Modellen von und zu anderen Deep-Learning-Frameworks mit dem ONNX-Modellformat und Generieren von CUDA-Code
  • Neu Möglichkeit der Verwendung von  MobileNet-v2, ResNet-101, Inception-v3, SqueezeNet, NASNet-Large und Xception
  • Importieren von TensorFlow-Keras-Modellen und Generieren von C-, C++- und CUDA-Code
  • Importieren von DAG-Netzen mit der Caffe-Modell-Importfunktion

Sehen Sie sich eine umfassende Liste in MATLAB unterstützter vortrainierter Modelle an.

Trainieren von Netzen

  • Automatische Validierung der Vorhersagegenauigkeit von Netzen und Beendigung des Trainings, wenn sich die Validierungsmetriken nicht mehr weiter verbessern
  • Neu Trainieren von tiefen neuronalen Netzen auf 3D-Bilddaten
  • Nutzung der Bayes‘schen Optimierung für die Feinabstimmung von Hyperparametern
  • Zusätzliche Optimierungsfunktionen für das Training: Adam und RMSProp
  • Trainieren von DAG-Netzen auf mehreren CPU-Kernen und auf mehreren GPUs
  • Trainieren von Deep-Learning-Modellen auf NVIDIA DGX- und Cloud-Plattformen

Debugging und Visualisierung

  • DAG-Aktivierungen: Visualisierung von Aktivierungen tiefer Schichten für Netzwerke wie ResNet-50, ResNet-101, GoogLeNet und Inception-v3
  • Überwachung des Trainingsfortschritts mit Diagrammen für Genauigkeits-, Loss- und Validierungsmetriken
  • Network Analyzer: Visualisieren, Analysieren und Auffinden von Problemen in Netzarchitekturen vor dem Training
  • Neu Visualisieren von Aktivierungen von LSTM-Netzen und Verwenden von Grad-CAM zum Nachvollziehen von Klassifizierungsentscheidungen

Bereitstellung

  • Neu Generieren von Code für Netze wie YOLO V2-Objektdetektor, DeepLab v3+, MobileNet v2, Xception, DenseNet-201 und rekurrente Netze.
  • Neu Bereitstellung von Deep-Learning-Netzen auf ARM Mali GPUs
  • Neu Automatische Bereitstellung auf Jetson AGX Xavier- und Jetson Nano-Plattformen
  • Anwenden von CUDA-optimierten Berechnungen der Transponierten zur Verbesserung der Leistung

Reinforcement Learning

  • Neu Reinforcement-Learning-Algorithmen: Trainieren von tiefen neuronalen Netze als Strategien mit DQN, DDPG, A2C, PPO und anderen Algorithmen
  • Umgebungsmodellierung: Erstellung von MATLAB- und Simulink-Modellen zur Darstellung von Umgebungen und Bereitstellung von Beobachtungen und Belohnungssignalen für das Training von Strategien
  • Beschleunigung des Trainings: Parallelisierung des Strategie-Trainings auf GPUs und Mehrkern-CPUs
  • Neu Referenzbeispiele: Implementieren von Richtlinien für Anwendungen im automatisierten Fahren, in der Robotik und im Steuerungsentwurf

Kostenlose Testversion anfordern

Eine 30-tägige Erkundungstour auf Knopfdruck.

Haben Sie Fragen?

Sprechen Sie mit einem Deep-Learning-Experten.