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

Panel Navigation

Shell

Utiliza la segmentación semántica para el reconocimiento del terreno en datos satelitales hiperespectrales.

Panel Navigation

Autoliv

Etiqueta LiDAR para la verificación de un sistema de conducción automatizado basado en radar.

Panel Navigation

Universidad de Ritsumeikan

Entrena redes neuronales convolucionales con imágenes de TC para reducir el riesgo de exposición a la radiación.

Panel Navigation

 

Tema destacado: Inteligencia artificial en sistemas de ingeniería

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.

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.

Despliegue de redes entrenadas

Despliegue su modelo entrenado en sistemas embebidos, sistemas empresariales o la nube. MATLAB soporta la generación automática de código CUDA® para una red entrenada, así como para el preprocesamiento y el posprocesamiento, con el fin de adaptarse específicamente a las últimas GPU NVIDIA, incluidas Jetson Xavier y Nano.

Cuando el rendimiento es importante, puede generar código que saque partido de librerías optimizadas de Intel® (MKL-DNN), NVIDIA (TensorRT, cuDNN) y ARM® (ARM Compute Library) para crear modelos desplegables con una velocidad de inferencia de alto rendimiento.

Temas de deep Learning

Panel Navigation

Procesamiento de señales

Adquiera y analice señales y datos de series temporales.

Panel Navigation

Visión artificial

Adquiera, procese y analice imágenes y vídeos.

Panel Navigation

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.