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^®.

Las cinco razones principales para usar MATLAB para deep learning

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.

Introducción

Probar técnicas avanzadas

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.

Introducción

Probar técnicas avanzadas

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.

Introducción

Deep learning en Simulink (3:45)

Probar técnicas avanzadas

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.