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 Videos 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 der semantischen Segmentierung in 2D und 3D
  • Augmented image datastore: Erstellung von weiteren Trainingsbeispielen zur Erweiterung von Deep-Learning-Trainingsdaten
  • Neu Audio-Datastore: Verwaltung großer Sammlungen von Audioaufnahmen

Netzarchitekturen

  • Regression und bidirektionale LSTMs für kontinuierliche Zeitreihenausgaben
  • Neu Trainieren eines Deep-Learning-Objektdetektors vom Typ „You Only Look Once“ (YOLO) v2 und Generieren von CUDA-Code
  • Deep Network Designer: Entwurf und Analyse tiefer Netze an einer grafischen Benutzeroberfläche und Generierung von MATLAB-Code
  • Neu Unterstützung benutzerdefinierter Schichten: Definieren neuer Schichten mit mehreren Eingaben und Ausgaben und von Verlustfunktionen für Klassifikation und Regression
  • Neu Kombinieren von LSTM- und Faltungsebenen zur Videoklassifikation und Gestenerkennung

Deep-Learning-Interoperabilität

  • Importieren und Exportieren von Modellen von und zu anderen Deep-Learning-Frameworks mit dem ONNX-Modellformat
  • Möglichkeit der Zusammenarbeit mit MobileNet-v2, ResNet-101, Inception-v3, SqueezeNet und NASNet
  • Neu Importieren von TensorFlow-Keras-Modellen und Generieren von CUDA-Code
  • Neu 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 Leistung von Netzen und Beendigung des Trainings, wenn sich die Validierungsmetriken nicht mehr weiter verbessern
  • Neu Trainieren von Deep-Learning-Netzen anhand von 3D-Bilddaten
  • Nutzung der Bayes‘schen Optimierung für die Feinabstimmung von Hyperparametern
  • Zusätzliche Optimierungsfunktionen für das Training: Adam und RMSProp
  • Trainieren von DAG-Netzen parallel und auf mehreren GPUs
  • Neu Trainieren von Deep-Learning-Modellen auf NVIDIA DGX- und Cloud-Plattformen

Debugging und Visualisierung

  • DAG-Aktivierungen: Visualisierung von Zwischenaktivierungen für Netzwerke wie ResNet-50, ResNet-101, GoogLeNet und Inception-v3
  • Überwachung des Trainingsfortschritts mit Diagrammen für Genauigkeits-, Verlust- und Validierungsmetriken
  • Network Analyzer: Visualisieren, Analysieren und Auffinden von Problemen in Netzarchitekturen vor dem Training

Bereitstellung

  • Integration von generiertem CUDA-Code in NVIDIA®TensorRT unter Verwendung der FP16-Optimierung
  • Unterstützung für DAG-Netze einschließlich GoogLeNet, ResNet-50, ResNet-101 und SegNet
  • Generieren von Code aus trainierten Deep-Learning-Modellen für Intel® Xeon- und ARM® Cortex-A®-Prozessoren
  • Automatisierte Bereitstellung auf NVIDIA Jetson- und DRIVE-Plattformen
  • Deep-Learning-Optimierung: Höhere Leistung dank Auto-Tuning, Layer-Fusion und Unterstützung der Thrust-Bibliothek
  • Neu Anwenden CUDA-optimierter Berechnungen der Transponierten mit Shared Memory zur Verbesserung der Leistung

Reinforcement Learning

  • Reinforcement-Learning-Algorithmen: Trainieren von tiefen neuronalen Netzen als Strategien mit DQN, DDPG, A2C 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
  • Referenzbeispiele: Implementierung von Steuerungen mithilfe von Reinforcement Learning für Anwendungen im automatisierten Fahren und in der Robotik

Kostenlose Testversion anfordern

Eine 30-tägige Erkundungstour auf Knopfdruck

Haben Sie Fragen?

Sprechen Sie mit einem Deep-Learning-Experten.