深度学习工具箱
ディープラーニングネットワークの設計,学習,解析
深度学习工具箱™には,アルゴリズム,事前学習済みモデル,およびアプリを使用したディープニューラルネットワークの設計と実装のためのフレームワークが用意されています。畳み込みニューラルネットワーク(回旋网,CNN)および長期短期記憶(LSTM)ネットワークを使用して,画的像,時系列,およびテキストデータの分類および回帰を行えます。自動微分,カスタムの学習ループ,重み共有を使用して,敵対的生成ネットワーク(GAN)や暹罗ネットワークのようなネットワークアーキテクチャを構築できます。深层网络设计师アプリを使用すると,ネットワークをグラフィカルに設計,分析し,学習させることができます。実験マネージャーアプリでは,複数のディープラーニング実験の管理,学習パラメーターの追跡,結果の解析,およびさまざまな実験のコードの比較を行うことができます。層の活性化状態を可視化し,学習進行状況をグラフィックで監視することができます。
ONNX形式を使用してTensorFlow™やPyTorchとモデルを交換したり,TensorFlow-Kerasや咖啡からモデルをインポートできます。ツールボックスは,DarkNet-53, ResNet-50, NASNet, SqueezeNetやその他多くの事前学習済みのモデルを用いた転移学習をサポートします。
并行计算工具箱™を使用して,単一のまたは複数のGPUを持つワークステーションで学習速度を上げたり,MATLAB并行服务器™を使用して,NVIDIA®GPU云およびAmazon EC2®GPUインスタンスを含むクラスターやクラウドにスケールアップすることができます。
詳細を見る:
畳み込みニューラルネットワーク
オブジェクト、顔シーンを認識するために画像のパターンを学習します。特徴抽出や画像認識を行うために畳み込みニューラルネットワーク(CNN)を構築し,学習させます。
長期短期記憶ネットワーク
信号,オーディオ,テキスト,およびその他の時系列データを含むシーケンスデータの長期依存性を学習します。分類と回帰を行うために長期短期記憶(LSTM)ネットワークを構築し,学習します。
ネットワーク構造
有向非循環グラフ(DAG),再帰型アーキテクチャなどを含む,さまざまなネットワーク構造を用いて,ディープラーニングネットワークを構築します。カスタムの学習ループ,重み共有,自動微分を使用して,敵対的生成ネットワーク(GAN)や暹罗ネットワークのような高度なネットワークアーキテクチャを構築します。
ディープラーニングネットワークの設計
ディープネットワークデザイナーアプリを使用して,ディープネットワークを一から作成し,学習させます。事前学習済みのモデルのインポート,ネットワーク構造の可視化,層の編集,パラメーターの調整を行い,学習させます。
ディープラーニングネットワークの解析
ネットワークアーキテクチャを分析して,学習前にエラー,警告,および層の互換性の問題を検出し,デバッグします。ネットワークトポロジを可視化し,学習可能なパラメーターや活性化関数などの詳細を表示します。
ディープラーニング実験の管理
実験マネージャーアプリで複数のディープラーニング実験を管理します。学習パラメーターの追跡,結果の解析,およびさまざまな実験のコードの比較を行います。学習プロットや混同行列などの可視化ツールを使用して,実験結果の並べ替えおよびフィルタリングを行い,カスタム指標を定義して学習済みモデルを評価します。
転移学習
事前学習済みのネットワークにアクセスし,これを出発点として新しいタスクを学習します。転移学習を実行して,特定のタスク用にネットワークで学習した特徴量を使用します。
事前学習済みモデル
最新の研究で得られた事前学習済みのネットワークに1行のコードでアクセスできます。DarkNet-53、ResNet-50 SqueezeNet、NASNet Inception-v3などの事前学習済みモデルがインポート可能です。
学習進行状況
さまざまなメトリクスのプロットで,反復のたびに学習進行状況を表示します。検証メトリックを学習メトリクスに対してプロットして,ネットワークが過適合していないかを確認します。
ネットワークの活性化状態
特定の層に対応する活性化状態を抽出し,学習された特徴を可視化したり,活性化状態を使用して機械学習分類器を学習させたりします。Grad-CAMのアプローチを用いると,ディープラーニングネットワークが下した分類決定の理由を理解する助けになります。
ONNXコンバーター
他のディープラーニングフレームワークとの相互運用性のためのMATLAB®内でのONNXモデルのインポートおよびエクスポート。ONNXは,あるフレームワークで学習されたモデルを,推論のために他のフレームワークに転移することを可能にします。GPU编码器™を使用して,最適化されたNVIDIA®CUDA®コードを生成し,MATLAB编码器™を使用して,インポート済みモデル用にc++コードを生成します。
咖啡インポーター
推論と転移学習のために,咖啡模型动物园からMATLABにモデルをインポートします。
クラウドでの高速化
クラウドインスタンスでディープラーニングに必要な学習時間を短縮します。最良の結果を得るために,高性能GPUインスタンスを使用します。
分散コンピューティング
MATLAB并行服务器を使用し,ネットワークで接続した複数のコンピューターの複数のプロセッサでディープラーニング学習を実行できます。
シミュレーション
金宝app®でディープラーニングネットワークのシミュレーションを行い,コードを生成します。AlexNet, GoogLeNetなどの事前学習済みモデルを使用します。また,ゼロから作成したネットワークや,LSTMネットワークなどの転移学習で作成したネットワークをシミュレーションすることもできます。GPU编码器およびNVIDIA GPU を使用して、Simulink でのディープラーニング ネットワークの実行を高速化します。制御、信号処理、およびセンサー フュージョンのコンポーネントを使用して、ディープラーニング ネットワークをシミュレーションし、ディープラーニング モデルがシステムレベルのパフォーマンスに与える影響を評価します。
ディープラーニングの量子化
ディープラーニングネットワークをint8に量子化し,模型量化图书馆のサポートパッケージを使用して,選択した層の重みとバイアスを量子化する精度のトレードオフを解析します。
スタンドアロンアプリケーションの展開
MATLAB编译器™およびMATLAB编译器SDK™を使用して,ディープラーニングモデルを備えたMATLABプログラムから,学習済みのネットワークを,c++共有ライブラリ,微软®netアセンブリ,Java®クラス,Python®パッケージとして展開します。
教師なしネットワーク
データ内の関係を見つけ,浅いネットワークを新しい入力に絶えず適応させることによって,分類スキームを自動的に定義します。自己組織化された教師なしネットワークと,競合層,自己組織化マップを使用します。
スタックされたオートエンコーダー
オートエンコーダーを使用して,データセットから低次元の特徴量を抽出することで,教師なしの特徴量変換を実行します。また,複数のエンコーダーを学習させ,スタックすることにより,スタックされたオートエンコーダーを教師あり学習に使用することもできます。