每年有两个版本,您可能会发现很难跟上最新的功能。事实上,一些在这里工作的人有同样的感觉!这个版本,我问产品经理的新特性与深度学习,他们认为你应该知道释放20。这里是他们的反应:

深度学习

从深度学习工具箱,有三个新特性在20感到兴奋。

1. 实验管理器(新)-一个新的应用程序,跟踪所有条件时训练神经网络。这可以极大的帮助来跟踪所有训练参数,数据和网络的每个迭代精度。更多的来此功能在未来的文章中!
2. 深层网络设计师(更新)-生成MATLAB代码从应用程序,和培训网络直接在应用程序中。
3. 岗位量化(新)新视频描述了在MATLAB量子化工作流。

有新的例子,强调这些新特性:

• 火车条件甘斯
• 训练图像字幕网络使用的注意
• 使用深度学习Multilabel文本分类:这个例子展示了如何分类文本数据,多个独立的标签。
• 比较层重量的初始化:这个例子展示了如何培养深度学习网络与不同重量初始值设定项。
• 列车网络的多个输出:这个例子展示了如何培养深入学习网络和多个输出预测这两个标签和角度旋转的手写数字。

代码生成

GPU编码器

• 金宝app对不少新网络的支持,包括SSD,双向&状态LSTMs DarkNet, Inception-ResNet-v2 NASNet-Large, NASNet-Mobile
• 新的的例子包括:
  • 代码生成的对象检测采用单发射击Multibox探测器——这显示了SSD的代码生成工作流网络针对cuDNN
  • 代码生成的Sequence-to-Sequence LSTM网络——这是一个更新的例子显示了状态LSTM代码生成

MATLAB编码器

• 金宝app对新网络的支持,包括:
  • LSTM cpu的手臂
  • DarkNet-19、DarkNet-53 densenet - 201、Inception-ResNet-v2 NASNet-Large, NASNet-Mobile, ResNet-18, Xception英特尔和ARM的cpu

信号和音频

信号处理

• 新独立的信号贴标签机应用标签信号的数据集。你可以看到它在行动的例子标签信号属性,感兴趣的区域,和点
• 新signalDatastore训练网络的大型集合信号或信号特性在内存和磁盘。看看它可以用于.MAT文件的示例波形分割使用深度学习
• 许多额外的信号处理和特征提取和时频变换小波函数光谱图,stft,或类现在支持金宝appGPU加速gpuArrays,高数组操作的内存,和自动CUDA代码生成运行嵌入式GPU。看到例如GPU加速的深度学习量图
• 额外的新的深度学习的例子包括迭代方法用于创建标记信号集与减少人类的努力 它使用train-as-you-label深度学习分类器训练迭代法

音频处理

• 新示例显示如何训练和评估甘斯生成合成音频。这突出了最近发布的API在深学习工具箱,包括自定义训练循环
• 新讨论的使用示例议长I-vectors验证。I-vectors是一个非常受欢迎的现代特性常用的音频信号。他们使用深度网络以及与更传统的机器学习算法在轻量级嵌入式系统
• 新detectSpeech函数自动检测和标注区域的录音讲话
• 新text2speech函数来生成pre-labeled合成语音数据使用web服务,包括谷歌Wavenet很受欢迎的

• GPU加速的mfcc和melSpectrogram。mfcc现在还支持生成CU金宝appDA代码。

图像处理

有一个新风格传输演示图像处理工具箱。这个演示将穿过整个过程创建一个网络设计需要一个图像并将其转换成一个参考图片的风格。现在您可以创建图像风格的毕加索,梵高,或你最喜欢的艺术家。的自定义训练循环(先进的深度学习:关键词)让技术像风格转移相对直观的实现。

对于计算机视觉,都有一个新的例子描述如何创建一个检测器(SSD)。

强化学习

20一个发布的强化学习工具箱提供了一个新的代理,双延迟深决定性策略梯度(TD3),额外支持连续行动空间从现有代理(策略梯度,演员评论家和近端策略优化代理)和新例子展示如何构建自定义训练算法和模仿学习。金宝app

• 火车DDPG代理与Pretrained演员网络
  强化学习是一个数据饿技术,需要许多模拟训练。这个例子展示了如何减少训练时间,通过神经网络初始化策略使用现有的数据和监督学习。
• 训练强化学习策略使用自定义训练循环
  在强化学习工具箱包括各种流行的算法来训练你的系统,你可能想要定制这些算法或创建你自己的。这个例子展示了你需要遵循的步骤,创建一个定制的培训与强化学习算法工具箱。

雷达和通讯

20一个版本是激动人心的雷达/审稿领域主要是因为我们有4个新的航运的例子。这里有最新的例子和20的特性:

射频指纹识别:

• //www.tatmou.com/help/comm/examples/design-a-deep-neural-network-with-simulated-data-to-detect-wlan-router-impersonation.html
• //www.tatmou.com/help/comm/examples/test-a-deep-neural-network-with-captured-data-to-detect-wlan-router-impersonation.html

5 g信道估计:

• //www.tatmou.com/help/5g/examples/deep-learning-data-synthesis-for-5g-channel-estimation.html

对数似估计为通讯频道

• //www.tatmou.com/help/comm/examples/training-and-testing-a-neural-network-for-llr-estimation.html

根据产品经理,里克外邦人”,我个人最喜欢的是链接1和2中的例子,因为我们已经得到很多要求这种类型的应用程序(射频指纹识别)。这是一个热门话题,因为它是用来防止通讯网络欺骗。2^nd例子突显出我们使用数据和合成数据收集工作从收音机。”

这就是这篇文章。希望我们强调你不知道新特性和例子。你认为这个列表吗?任何添加,请在下面留下你的评论!

20 *你可能会意识到,今年3月被释放,所以我显然发现跟上最新的功能!我终于升级,你也应该这么做!