Deep Learning Toolbox

Concevoir, entraîner et analyser des réseaux de Deep Learning

Vous avez des questions  ? Contactez l’équipe commerciale.

Deep Learning Toolbox™ offre un environnement permettant de concevoir et d'implémenter des réseaux de neurones profonds avec des algorithmes, des modèles pré-entraînés 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, des images et des séries temporelles. Vous pouvez créer des architectures de réseau comme des réseaux antagonistes génératifs (GAN) et des réseaux siamois en utilisant la différentiation automatique, des boucles d'apprentissage personnalisées et des pondérations partagées. Avec l'application Deep Network Designer, vous pouvez concevoir, analyser et entraîner des réseaux via une interface graphique. L'application Experiment Manager vous permet de gérer plusieurs expériences de Deep Learning, d'assurer le suivi des paramètres d'apprentissage, d'analyser les résultats et de comparer le code de plusieurs expériences. Vous pouvez visualiser les activations de couches et contrôler la progression de l'apprentissage sous forme graphique.

Vous pouvez importer des réseaux et des graphes de couches depuis TensorFlow™ 2, TensorFlow-Keras, PyTorch^®, Caffe et le format de modèle ONNX™ (Open Neural Network Exchange). Vous pouvez également exporter des réseaux et des graphes de couches de Deep Learning Toolbox vers TensorFlow 2 et le format de modèle ONNX. La toolbox supporte l'apprentissage par transfert avec de nombreux modèles pré-entraînés, parmi lesquels DarkNet-53, ResNet-50, NASNet et SqueezeNet.

Vous pouvez accélérer le processus d'apprentissage sur un poste de travail à un ou plusieurs GPU (grâce à 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 Server™).

Introduction à Deep Learning Toolbox

Réseau YOLO v2 de détection d'objets sur une scène avec deux voitures en train de rouler dans une rue avec une double ligne jaune de séparation des voies et des piétons engagés sur un passage piéton.

Applications de Deep Learning

Entraînez des modèles de Deep Learning pour des applications de classification, de régression, et d'apprentissage de caractéristiques dans les domaines de la conduite autonome, du traitement du signal et de l'audio, des télécommunications, du traitement d'images, et bien plus encore.

Introduction au Deep Learning : que sont les réseaux de neurones convolutifs ? (4:44)

Documentation | Exemples

Capture d'écran de l'application Deep Network Designer.

Concevoir un réseau et gérer des modèles

Accélérez le développement de modèles de Deep Learning avec des applications low-code. Créez, entraînez, analysez et débuggez un réseau avec l'application Deep Network Designer. Ajustez et comparez plusieurs modèles avec l'application Experiment Manager.

Construire, visualiser et modifier des réseaux de Deep Learning de manière interactive (3:54)

Documentation | Exemples

Exemples de réseaux pré-entraînés dans Deep Network Designer.

Modèles pré-entraînés

Accédez à des modèles courants avec une seule ligne de code dans MATLAB. Utilisez PyTorch™ via ONNX et TensorFlow™ pour importer n'importe quel modèle dans MATLAB.

Deep Learning avec MATLAB : apprentissage par transfert avec des réseaux de neurones dans MATLAB (4:05)

Documentation | Exemples

Quatre images de la même scène qui représentent l'image-test, la segmentation sémantique, la visualisation Grad-CAM de la route et la visualisation Grad-CAM de la chaussée.

Explicabilité

Visualisez la progression de l'apprentissage et les activations des caractéristiques apprises dans un réseau de Deep Learning. Utilisez la méthode Grad-CAM, la sensibilité à l'occlusion et la méthode de LIME pour expliquer les résultats d'un modèle de Deep Learning.

Documentation | Exemples

Quatre images d'un chien qui montrent comment réaliser des types courants d'augmentations d'images et de boîtes englobantes dans le cadre des workflows de détection d'objets.

Prétraitement

Labélisez, traitez et augmentez les données pour l'apprentissage du réseau. Automatisez la labellisation des données avec des algorithmes prédéfinis.

Documentation | Exemples

Deux graphes représentant la progression de l'apprentissage, le premier avec une courbe bleue et une trajectoire ascendante pour le suivi de la précision et l'autre avec une courbe orange et une trajectoire descendante pour le suivi de la fonction de perte.

Accélération de l'apprentissage

Accélérer l'apprentissage du Deep Learning en utilisant des GPU, l'accélération cloud et le calcul distribué.

Documentation | Exemples

Capture d'écran de l'application MATLAB Coder. Une case à cocher intitulée « Enable code generation for deep learning code » (Activer la génération de code à l'aide du code de Deep Learning) est sélectionnée, et la liste déroulante des bibliothèques cibles est définie sur « none ».

Génération de code

Générez automatiquement du code CUDA^® optimisé avec GPU Coder™, et générez du code C et C++ avec MATLAB Coder™ afin de déployer des réseaux de Deep Learning sur les GPU NVIDIA et différents processeurs. Prototypez et implémentez des réseaux de Deep Learning sur des FPGA et des SoC avec Deep Learning HDL Toolbox™.

Générer du code C/C++générique pour les réseaux de Deep Learning dans Simulink (5:10)

Documentation | Exemples

Trois captures d'écran qui montrent la modélisation d'un capteur virtuel avec le Deep Learning, et une capture d'écran d'un graphe linéaire représentant des variables telles que la vérité, les filtres de Kalman étendus, les réseaux F N N pour le Deep Learning et les réseaux L S T M pour le Deep Learning.

La simulation avec Simulink

Simulez des réseaux de Deep Learning avec les composants de contrôle, de traitement du signal et de fusion de capteurs pour évaluer l'impact de votre modèle Deep Learning sur les performances du système.

Intégrer un modèle de TensorFlow dans Simulink pour la simulation et la génération de code (5:47)

Documentation | Exemples

Capture d'écran de la fenêtre de l'application Deep Network Quantizer utilisée pour réduire la taille du modèle, valider et visualiser les résultats. L'écran est divisé en trois sections : Net Layer Graph, Calibration Statistics et Validation Summary.

Compression du Deep Learning

Quantifiez et élaguez votre réseau de Deep Learning pour réduire l'utilisation de la mémoire et améliorer les performances des inférences. Analysez et visualisez les compromis entre l'amélioration des performances et la précision des inférences avec l'application Deep Network Quantizer.

Quantification d'un réseau de Deep Learning dans MATLAB (2:50)

Documentation | Exemples