MATLAB para deep learning
Preparación de datos, diseño, simulación y despliegue para redes neuronales profundas
Con tan solo unas pocas líneas de código de MATLAB®, puede aplicar técnicas de deep learning a su trabajo, tanto si diseña algoritmos como si prepara y etiqueta datos o genera código y lo despliega en sistemas embebidos.
Con MATLAB, es posible:
- Crear, modificar y analizar arquitecturas de deep learning mediante apps y herramientas de visualización.
- Preprocesar los datos y automatizar el etiquetado de validación (ground-truth) de datos de imagen, vídeo y audio mediante apps.
- Acelerar algoritmos en GPU NVIDIA®, la nube y recursos de centros de datos sin necesidad de programación especializada.
- Colaborar con colegas utilizando marcos como TensorFlow, PyTorch y MxNet.
- Simular y entrenar el comportamiento de sistemas dinámicos mediante el aprendizaje por refuerzo (reinforcement learning).
- Generar datos de entrenamiento y pruebas basados en simulaciones a partir de modelos de sistemas físicos de MATLAB y Simulink®.
Vea cómo otras personas utilizan MATLAB para deep learning
Shell
Utiliza la segmentación semántica para el reconocimiento del terreno en datos satelitales hiperespectrales.
Autoliv
Etiqueta LiDAR para la verificación de un sistema de conducción automatizado basado en radar.
Universidad de Ritsumeikan
Entrena redes neuronales convolucionales con imágenes de TC para reducir el riesgo de exposición a la radiación.
Preparación y etiquetado de datos de imágenes, series temporales y texto
MATLAB reduce significativamente el tiempo necesario para preprocesar y etiquetar los conjuntos de datos con apps específicas del dominio para datos de audio, vídeo, imágenes y texto. Sincronice series temporales dispares, reemplace los valores atípicos por valores interpolados, enfoque las imágenes y filtre las señales con ruido. Utilice las apps interactivas para etiquetar, recortar e identificar características importantes, y los algoritmos incorporados para automatizar el proceso de etiquetado.
Diseño, entrenamiento y evaluación de modelos
Comience con un conjunto completo de algoritmos y modelos predefinidos y, después, cree y modifique los modelos de deep learning con la app Deep Network Designer. Incorpore modelos de deep learning para problemas específicos del dominio sin tener que crear arquitecturas de red complejas desde cero.
Utilice técnicas para encontrar los hiperparámetros de red óptimos y Parallel Computing Toolbox™ y GPU NVIDIA de alto rendimiento para acelerar estos algoritmos de alta carga computacional. Utilice las herramientas de visualización de MATLAB y técnicas como Grad-CAM y la sensibilidad a la oclusión para comprender mejor su modelo. Utilice Simulink para evaluar cómo un modelo de deep learning entrenado puede mejorar el rendimiento en el nivel de sistema.
Probar técnicas avanzadas
- Creación de experimentos interactivos para ajustar y comparar redes de deep learning (6:06)
- Cómo crear sus propios experimentos de deep learning (4:08)
- Modificación interactiva de una red de Deep Learning para transferencia del aprendizaje (2:43)
- Entrenamiento de redes en sistemas DGX de NVIDIA
- Aceleración del desarrollo y el entrenamiento de redes de deep learning con NVIDIA GPU Cloud
Simulación y generación de datos sintéticos
Los datos son cruciales para crear modelos precisos, y MATLAB puede generar más datos cuando no se dispone de suficientes escenarios adecuados. Por ejemplo, utilice imágenes sintéticas de motores de juegos, como Unreal Engine®, para incorporar más casos límite. Utilice redes generativas antagónicas (GAN) para crear imágenes simuladas personalizadas.
Pruebe los algoritmos antes de que estén disponibles los datos de los sensores generando datos sintéticos mediante Simulink, un enfoque habitualmente utilizado en sistemas de conducción autónoma.
Integración con marcos basados en Python
No es necesario elegir obligatoriamente entre marcos basados en MATLAB o de código abierto. MATLAB permite acceder a las últimas investigaciones desde cualquier lugar utilizando las funcionalidades de importación de ONNX, y también puede utilizar una librería de modelos predefinidos, incluidos NASNet, SqueezeNet, Inception-v3 y ResNet-101, para empezar rápidamente. La posibilidad de llamar a Python desde MATLAB y a MATLAB desde Python permite colaborar fácilmente con colegas que utilizan código abierto.
Introducción
Probar técnicas avanzadas
Despliegue de redes entrenadas
Despliegue su modelo entrenado en sistemas embebidos, sistemas empresariales, dispositivos FPGA o la nube. MATLAB soporta la generación automática de código CUDA® para una red entrenada, así como para el preprocesamiento y el posprocesamiento destinados al despliegue específico en las GPU NVIDIA más recientes.
Para obtener un mayor rendimiento, puede generar código que aproveche librerías optimizadas de Intel®, NVIDIA y ARM® para crear modelos desplegables con una velocidad de inferencia de alto rendimiento. Para la implementación en edge, puede prototipar la red en una FPGA y, luego, generar HDL listo para producción y desplegarlo en cualquier dispositivo.
Introducción
Probar técnicas avanzadas
Temas de deep Learning
Procesamiento de señales
Adquiera y analice señales y datos de series temporales.
Visión artificial
Adquiera, procese y analice imágenes y vídeos.
Reinforcement learning
Defina, entrene y despliegue políticas de reinforcement learning.
Cómo empezar con rapidez
Deep Learning Onramp
Iníciese en las técnicas de deep learning con este tutorial gratuito y práctico.
Explore los recursos para iniciarse
Vea una demostración, explore ejemplos interactivos y acceda a tutoriales gratuitos.
Consiga una prueba gratuita
Treinta días de exploración a su alcance.
Explore Deep Learning Toolbox
¿Tiene preguntas?
Hable con un experto en deep learning.
