Deep Learning

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

  • App zum Labeln von Pixeln und Regionen für die semantische Segmentierung und die Objekterkennung
  • Automatisierung des Ground-Truth-Labeling mithilfe der Automatisierungs-API

Netzwerkarchitekturen

  • Netze in Form gerichteter azyklischer Graphen (Directed Acyclic Graphs, DAGs) zur Darstellung komplexer Architekturen
  • LSTM-Netze (Long Short-Term Memory) zur Vorhersage und Klassifikation von Zeitreihen, Text und Signaldaten
  • Klassifikation einzelner Pixel mit semantischer Segmentierung
  • Neu Regression und bidirektionale LSTM-Netze für kontinuierliche Zeitreihenausgaben
  • Unterstützung benutzerdefinierter Schichten: Definieren neuer Schichten und Festlegen von Kostenfunktionen für Klassifikations- und Regressions-Ausgabeschichten
  • Neu Automatische Validierung benutzerdefinierter Schichten zur Überprüfung der Datengröße und der Typkonsistenz

Zugriff auf die neuesten vortrainierten Modelle

  • Importfunktion für TensorFlow-Keras-Modelle
  • Import von Modellen aus Caffe (einschließlich Caffe Model Zoo)
  • GoogLeNet, VGG-16, VGG-19, AlexNet, ResNet-50, ResNet-101 und Inception-v3
  • In Kürze: Inception-ResNet-v2, SqueezeNet

Trainieren von Netzen

  • Automatische Validierung der Leistung von Netzen und Beendigung des Trainings, wenn sich die Validierungsmetriken nicht mehr weiter verbessern
  • Nutzung der Bayes’schen Optimierung für die Feinabstimmung von Hyperparametern
  • Neu Zusätzliche Optimierungsfunktionen für das Training: ADAM und RMSprop
  • Neu Trainieren von DAG-Netzen parallel und auf mehreren GPUs

Debugging und Visualisierung

  • Neu DAG-Aktivierungen: Visualisierung von Zwischenaktivierungen für Netzwerke wie GoogLeNet und Inception-v3
  • Überwachung des Trainingsfortschritts mit Diagrammen für Genauigkeits-, Verlust- und Validierungsmetriken
  • In Kürze: Grafische Darstellung und Analyse Ihres Netzes mit der Network Analyzer-App

Bereitstellung

  • Möglichkeit zur automatischen Konvertierung von Deep-Learning-Modellen in MATLAB in CUDA-Code mit GPU Coder
  • Neu Unterstützung für DAG-Netze einschließlich GoogLeNet, ResNet-50, ResNet-101, Inception-v3 und SegNet
  • Neu Unterstützung für Intel- und ARM-Prozessoren
  • Neu Erzeugung von CUDA-Code zur Integration mit TensorRT

Kostenlose Testversion anfordern

Eine 30-tägige Erkundungstour auf Knopfdruck

Haben Sie Fragen?

Sprechen Sie mit einem Deep-Learning-Experten.