与Matlab R2017B的深度学习

发布者史蒂夫埃德丁，，，，2017年10月6日

44次观看（过去30天）|0.喜欢|0评论

这R2017B释放Mathworks产品仅两下载188bet金宝搏周前发货，它包括深入学习的许多新功能。几个产品团队的开发人员在这些能力上努力工作，每个人都很兴奋，以看到它们陷入手中。今天，当你有机会更新到新版本时，我会给你一点点之旅。

当然，Matlab的深度学习的核心是神经网络工具箱。神经网络工具箱推出了两种新类型的网络，您可以构建和培训和申请：定向非循环图（DAG）网络，以及长短期内存（LSTM）网络。

在DAG网络中，层可以具有来自多个层的输入而不是仅一个层。层还可以输出到多个层。以下是示例中的一个示例为深度学习创建和培训DAG网络。

您可以尝试使用预制Googlenet模型，这是您可以加载的DAG网络googlenet.。

实验也有长短期内存（LSTM）网络，这具有能够在时间序列数据中学习长期依赖性。

还有一堆新层类型：批量标准化，转换卷积，最大未加工，泄漏的relu，剪切整流释放，加法和深度连接。

我的同事乔使用神经网络工具箱根据几个月前读取的纸张来定义自己类型的网络层。我会在这个秋天稍后向你展示他的工作。

培训网络时，您现在可以绘制培训进度。您还可以验证网络性能并根据验证度量自动停止培训。此外，您可以找到最佳网络参数和培训选项贝叶斯优化。

自动图像预处理和增强现已用于网络培训。图像增强是通过随机应用转换来增加培训的想法，例如调整可用图像的调整大小，旋转，反射和翻译。

作为图像处理算法的人，我特别喜欢新的语义分割能力，这允许您对像素区域进行分类并可视化结果。

如果您在嵌入式系统中实施深度学习方法，请查看GPU编码器是R2017B版本中的全新产品。GPU编码器从Matlab代码生成CUDA，以获得深度学习，嵌入式愿景和自主系统。生成的代码得到很好的优化，您可以从此性能基准图中看到。

使用GPU加速，Titan XP GPU，英特尔®Xeon®CPUE5-1650 V4在3.60GHz，Cudnn V5和Windows 10.软件版本：Matlab（R2017B），Tensorflow（1.2.0），MXNET（0.10）和Caffe2（0.8.1）。

我刚刚在雄心勃勃的R2017B释放中划伤了深度学习能力的表面。

以下是一些其他信息来源。

发布了MATLAB®R2017B

要发表评论，请点击这里要登录您的MathWorks帐户或创建新的。

深度学习
理解和使用深度学习网络