MATLAB pour le Deep Learning

Préparer des données, concevoir, simuler et déployer des réseaux neuronaux profonds

Quelques lignes de code MATLAB® suffisent pour appliquer des techniques de Deep Learning à vos projets, que ce soit pour la conception d'algorithmes, la préparation et la labélisation des données ou la génération et le déploiement de code sur des systèmes embarqués.

Avec MATLAB, vous pouvez :

  • Créer, modifier et analyser des architectures de Deep Learning avec des applications et des outils de visualisation interactifs.
  • Prétraiter les données et automatiser la labélisation des données de vérité-terrain audio, vidéo et image en utilisant des applications interactives.
  • Accélérer les algorithmes sur des GPU NVIDIA®, dans le cloud et sur les ressources de datacenter sans aucune programmation spécialisée.
  • Travailler avec vos collègues en utilisant des infrastructures comme TensorFlow, PyTorch et MxNet.
  • Simuler et entraîner le comportement de systèmes dynamiques grâce au Reinforcement Learning.
  • Générer des données de test et d'apprentissage basées sur les simulations à partir de modèles de systèmes physiques exprimés dans MATLAB et Simulink®.

Découvrez comment nos clients utilisent MATLAB pour le Deep Learning

Panel Navigation

Shell

Utilise la segmentation sémantique pour faciliter la reconnaissance du terrain dans les données satellite hyperspectrales.

Panel Navigation

Autoliv

Labélise les lidars pour effectuer la vérification d’un système de conduite autonome basé sur un dispositif radar.

Panel Navigation

Université de Ritsumeikan

Entraîne des réseaux neuronaux à convolution sur des images de tomodensitométrie afin de réduire le risque d'exposition aux rayonnements.

Préparer et labéliser des images, des séries temporelles et des données texte

MATLAB permet de réduire considérablement le temps nécessaire pour prétraiter et labéliser les jeux de données avec des applications spécialisées pour les données audio, vidéo, image et texte. Vous pouvez synchroniser les séries temporelles disparates, remplacer les valeurs aberrantes par des valeurs interpolées, déflouter les images et filtrer les signaux bruités. En outre, vous pouvez utiliser des applications interactives pour labéliser, rogner et identifier les caractéristiques importantes. Les algorithmes intégrés vous aident à automatiser le processus de labélisation.

Concevoir, entraîner et évaluer des modèles

Commencez avec un ensemble complet d'algorithmes et de modèles prédéfinis, puis créez et modifiez les modèles de Deep Learning avec l'application Deep Network Designer. Incorporez des modèles de Deep Learning pour résoudre des problèmes spécifiques sans avoir à créer d’architectures de réseaux complexes à partir de zéro.

Utilisez des techniques pour trouver les hyperparamètres réseaux optimaux, Parallel Computing Toolbox™ et les GPU NVIDIA haute performance pour accélérer ces algorithmes intensifs en calculs. Utilisez les outils de visualisation de MATLAB et des techniques comme Grad-CAM et la sensibilité aux occlusions pour obtenir des informations intéressantes sur votre modèle.

Simuler et générer des données synthétiques

Il est essentiel de disposer de données pour obtenir des modèles précis. MATLAB peut générer des données supplémentaires lorsque vous n'avez pas assez de scénarios appropriés. Vous pouvez par exemple utiliser des images synthétiques provenant de moteurs de jeux vidéo comme Unreal Engine® pour incorporer davantage de cas extrêmes. Vous pouvez aussi utiliser des réseaux antagonistes génératifs (GAN) pour créer des images simulées personnalisées.

Testez des algorithmes avant que les données des capteurs ne soient disponibles en générant des données synthétiques depuis Simulink, ce qui est une approche fréquemment utilisée dans les systèmes de conduite autonome.

S’intégrer à des infrastructures basées sur Python

Vous n'avez pas besoin de choisir entre MATLAB et les infrastructures open source. MATLAB vous permet d'accéder aux derniers résultats issus de la recherche grâce aux fonctionnalités d'importation ONNX. Vous pouvez aussi utiliser une bibliothèque de modèles prédéfinis, tels que NASNet, SqueezeNet, Inception-v3 et ResNet-101 pour démarrer rapidement. La possibilité d'appeler Python depuis MATLAB et vice-versa vous permet de travailler facilement avec vos collègues qui utilisent des outils open source.

Déployer des réseaux entraînés

Déployez votre réseau entraîné sur des systèmes embarqués, des systèmes d'entreprise ou dans le cloud. MATLAB supporte la génération automatique de code CUDA® pour les réseaux entraînés, ainsi que pour le prétraitement et le post-traitement afin de cibler spécifiquement les derniers GPU NVIDIA, y compris les modèles Jetson Xavier et Nano.

Lorsque les performances priment, vous pouvez générer du code vous appuyant sur des bibliothèques optimisées Intel® (MKL-DNN), NVIDIA (TensorRT, cuDNN) et ARM® (ARM Compute Library) pour créer des modèles déployables avec une vitesse d'interférence haute performance.

Autour du Deep Learning

Panel Navigation

Traitement du signal

Acquérir et analyser des signaux et des séries temporelles.

Panel Navigation

Computer Vision

Acquérir, traiter et analyser des images et des vidéos.

Panel Navigation

Reinforcement Learning

Définir, entraîner et déployer des politiques de Reinforcement Learning.

Démarrez rapidement

Introduction au Deep Learning (Deep Learning Onramp)

Formez-vous aux techniques de Deep Learning avec ce tutoriel gratuit.

Ressources pour démarrer

Regardez une démonstration, explorez des exemples interactifs et accédez à des tutoriels gratuits.

Obtenez gratuitement la version d'essai

Bénéficiez de 30 jours de découverte.

Découvrez Deep Learning Toolbox

Des questions ?

Échangez avec un expert du Deep Learning.