Deep Learning Toolbox
Créer, analyser et entraîner des réseaux de Deep Learning
La Deep Learning Toolbox™ (anciennement Neural Network Toolbox™) offre un environnement permettant de concevoir et d'implémenter des réseaux de neurones profonds avec des algorithmes, des modèles préentraînés et des applications. Vous pouvez utiliser des réseaux de neurones à convolution (« ConvNets » ou CNN) et des réseaux LSTM (Long Short-Term Memory) pour effectuer des régressions et des classifications sur des données textuelles, images et de séries temporelles. Vous pouvez créer des architectures de réseau avancées comme des réseaux antagonistes génératifs (GAN) et des réseaux siamois en utilisant des boucles d'apprentissage personnalisées, des pondérations partagées et la différenciation automatique. Les applications et les tracés vous permettent de visualiser les activations, de modifier et d'analyser les architectures de réseau et de surveiller la progression de l'apprentissage.
Vous pouvez échanger des modèles avec TensorFlow™ et PyTorch grâce au format ONNX et importer des modèles depuis TensorFlow-Keras et Caffe. La toolbox supporte l'apprentissage par transfert avec une bibliothèque de modèles préentraînés (parmi lesquels NASNet, SqueezeNet, Inception-v3 et ResNet-101).
Vous pouvez accélérer le processus d'apprentissage sur un poste de travail à un ou plusieurs GPU (grâce à la Parallel Computing Toolbox™), ou étendre votre utilisation à des clusters et des clouds, tels que les instances GPU Amazon EC2® et NVIDIA® GPU Cloud (avec MATLAB Parallel ServerTM).
En savoir plus :
Réseaux de neurones à convolution, ou CNN
Apprenez des motifs dans des images afin de reconnaître des objets, des visages et des scènes. Créez et entraînez des réseaux de neurones à convolution (CNN) pour effectuer des opérations d'extraction de caractéristiques et de reconnaissance d'images.
Réseaux LSTM (Long Short-Term Memory)
Apprenez les dépendances long-terme dans des données séquentielles, comme par exemple les données issues d’un signal, audio, texte et de séries temporelles. Créez et entraînez des réseaux LSTM (Long Short-Term Memory) pour effectuer des opérations de classification et de régression.
Utilisation des réseaux LSTM
Architectures réseau
Utilisez différentes structures de réseau telles que des architectures DAG (Directed Acyclic Graph) et récurrentes pour créer votre réseau de Deep Learning. Créez des architectures de réseau avancées comme des réseaux antagonistes génératifs (GAN) et des réseaux siamois en utilisant des boucles d'apprentissage personnalisées, des pondérations partagées et la différenciation automatique.
Utilisation de différentes architectures réseau
Conception de réseaux de Deep Learning
Créez un réseau profond à partir de zéro à l'aide de l'application Deep Network Designer. Importez un modèle préentraîné, visualisez la structure du réseau, modifiez les couches et réglez les paramètres.
Analyse de réseaux de Deep Learning
Analysez votre architecture de réseau afin de détecter et déboguer les erreurs et les problèmes de compatibilité avant la phase d'apprentissage. Visualisez la topologie du réseau et consultez des détails tels que les paramètres et activations entraînables.
Analyser l'architecture d'un réseau de Deep Learning
Apprentissage par transfert
Accédez à des réseaux préentraînés et utilisez-les comme point de départ pour apprendre une nouvelle tâche et transférer rapidement les caractéristiques apprises à une nouvelle tâche en utilisant un plus petit nombre d'images d'apprentissage.
Modèles préentraînés
Accédez aux réseaux préentraînés les plus récents issus de la recherche avec une seule ligne de code. Importez des modèles préentraînés, y compris Inception-v3, SqueezeNet, NASNet et GoogLeNet.
Analyse de modèles de réseau de neurones profond
Progression de l'apprentissage
Consultez la progression de l'apprentissage à chaque itération à l'aide du tracé de différentes métriques. Affichez la comparaison entre les métriques de validation et les métriques d'apprentissage pour vérifier visuellement si un surajustement a lieu au niveau du réseau.
Surveiller la progression de l'apprentissage de votre modèle
Activations d'un réseau
Extrayez les activations correspondant à une couche, visualisez les caractéristiques apprises et entraînez un classificateur de Machine Learning à l'aide des activations. Utilisez l'approche Grad-CAM pour comprendre pourquoi un réseau de Deep Learning prend ses décisions de classification.
Visualisation des activations
Conversion ONNX
Importez et exportez des modèles ONNX dans MATLAB® pour assurer l'interopérabilité avec d'autres environnements de Deep Learning. ONNX permet d'entraîner des modèles dans un environnement et de les transférer dans un autre pour inférence. Avec GPU Coder™, générez du code CUDA optimisé et utilisez MATLAB Coder™ pour générer du code C++ pour le modèle importé.
Interopérabilité avec différents environnements de Deep Learning.
Fonctionnalité d'importation Tensorflow-Keras
Importez des modèles à partir de TensorFlow-Keras dans MATLAB pour des opérations d'inférence et d'apprentissage. Avec GPU Coder, générez du code CUDA optimisé et utilisez MATLAB Coder pour générer du code C++ pour le modèle d'importation.
Fonctionnalité d'importation Caffe
Importez des modèles à partir de Caffe Model Zoo dans MATLAB pour des opérations d'inférence et d'apprentissage.
Importer des modèles à partir de Caffe Model Zoo dans MATLAB
Accélération GPU
Accélérez l'apprentissage et les inférences du Deep Learning avec les GPU NVIDIA haute performance. Effectuez l'apprentissage sur un poste de travail à GPU unique ou déployez l'apprentissage sur plusieurs GPU avec des systèmes DGX dans des datacenters ou sur le cloud. Vous pouvez utiliser MATLAB avec la Parallel Computing Toolbox et la plupart des GPU NVIDIA compatibles CUDA® dotés d'une capacité de calcul 3.0 ou supérieure.
Accélération à l'aide de GPU
Accélération Cloud
Accélérez l'apprentissage du Deep Learning à l'aide d'instances dans le Cloud. Pour obtenir les meilleurs résultats, utilisez des instances GPU haute performance.
Accélération de l'apprentissage dans le Cloud avec Parallel Computing Toolbox et MATLAB Parallel Server.
Calcul distribué
Effectuez l'apprentissage du Deep Learning sur plusieurs processeurs et serveurs sur un réseau avec MATLAB Parallel Server.
Augmenter la puissance du Deep Learning avec le calcul parallèle et dans le cloud
Génération de code
Avec GPU Coder, générez du code CUDA optimisé à partir de code MATLAB pour le Deep Learning, la vision embarquée et les systèmes autonomes. Générez du code C++ à l'aide de MATLAB Coder pour déployer des réseaux de Deep Learning sur des processeurs Intel® Xeon® et ARM® Cortex®-A.
Déploiement d'applications autonomes
MATLAB Compiler™ et MATLAB Compiler SDK™ vous permettent de déployer des réseaux entraînés en tant que bibliothèques partagées C++, assemblages Microsoft® .NET, classes Java® et packages Python® à partir de programmes MATLAB avec des modèles de Deep Learning.
Partage de programmes MATLAB autonomes à l'aide de MATLAB Compiler
Réseaux supervisés
Entraînez des réseaux de neurones peu profonds supervisés pour modéliser et contrôler des systèmes dynamiques, classifier des données bruitées et prévoir des événements futurs.
Réseau de neurones peu profonds.
Réseaux non supervisés
Détectez les relations entre les données et définissez automatiquement des modèles de classification en laissant le réseau peu profond s'ajuster continuellement aux nouvelles entrées. Utilisez des réseaux non supervisés, auto-organisés, ainsi que des couches cachées et des cartes auto-organisatrices.
Carte auto-organisatrice.
Auto-encodeurs empilés
Effectuez une transformation de caractéristiques non supervisée en extrayant des caractéristiques de faible dimension à partir de votre jeu de données à l'aide d'auto-encodeurs. Vous pouvez également utiliser des auto-encodeurs empilés à des fins d'apprentissage supervisé en entraînant et empilant plusieurs encodeurs.
Auto-encodeur empilé.
Flexibilité d'apprentissage
Effectuez l'apprentissage d'architectures de réseaux avancées à l'aide de boucles d'apprentissage personnalisées, de la différenciation automatique, de pondérations partagées et de fonctions de perte personnalisées.
Réseaux de Deep Learning
Créez des réseaux antagonistes génératifs (GAN), des réseaux siamois, des auto-encodeurs variationnels et des réseaux d'attention.
Prétraitement des données
Améliorez les performances d'apprentissage à l'aide de différentes options de normalisation de données.
Visualisation
Mappez les fonctionnalités d'activation importantes des données d'entrée à l'aide de la sensibilité aux occlusions.
Réseaux à entrées et sorties multiples (MIMO)
Effectuez l'apprentissage de réseaux possédant plusieurs entrées et plusieurs sorties
Réseaux LSTM (Long Short-Term Memory)
Calculez les activations des couches intermédiaires.
Support d'ONNX
Exportez au format ONNX des réseaux associant des couches CNN et LSTM ainsi que les réseaux à couches CNN 3D.
Consultez les notes de version pour en savoir plus sur ces fonctionnalités et les fonctions correspondantes.
MATLAB pour le Deep Learning
Concevez, développez et visualisez des réseaux de Deep Learning
Vous avez des questions ?
Contactez Shounak Mitra, expert technique de Deep Learning Toolbox
