Deep Learning

¿Qué novedades hay en MATLAB para Deep Learning?

MATLAB consigue que deep learning resulte fácil y accesible para todos, incluso sin ser un experto. Consulte las funciones más recientes para diseñar y crear sus propios modelos, entrenamiento y visualización de redes y despliegue.

Preparación y etiquetado de datos

  • App para etiquetado de píxeles y regiones para segmentación semántica y detección de objetos
  • Automatización del etiquetado de ground-truth mediante una API de automatización

Arquitecturas de red

  • Redes DAG (grafo acíclico dirigido) para representar arquitecturas complejas
  • Redes LSTM (memoria de corto-largo plazo) para la predicción y la clasificación de series temporales, texto y señales
  • Clasificación de píxeles individuales mediante segmentación semántica
  • Nuevo LSTM de regresión y bidireccionales para salidas de series temporales continuas
  • Soporte para capas personalizadas: defina nuevas capas y especifique funciones de pérdida para capas de salida de clasificación y regresión
  • Nuevo Validación automática de capas personalizadas para comprobar el tamaño de los datos y la coherencia de tipos

Acceso a los modelos previamente entrenados más recientes

  • Importador de modelos de TensorFlow-Keras
  • Importación de modelos de Caffe (incluido Caffe Model Zoo)
  • GoogLeNet, VGG-16, VGG-19, AlexNet, ResNet-50, ResNet-101 e Inception-v3
  • Próximamente: Inception-ResNet-v2 y SqueezeNet

Entrenamiento de redes

  • Validación automática del rendimiento de la red y detención del entrenamiento cuando las métricas de validación dejan de mejorar
  • Ajuste de hiperparámetros gracias a la optimización bayesiana
  • Nuevo Optimizadores adicionales para el entrenamiento: ADAM y RMSprop
  • Nuevo Entrenamiento de redes DAG en paralelo y en varias GPUs

Depuración y visualización

  • Nuevo Activaciones de DAG: visualice las activaciones intermedias en redes como GoogLeNet e Inception-v3
  • Supervisión del progreso del entrenamiento mediante gráficos de precisión, pérdidas y métricas de validación
  • Próximamente: representación gráfica su red y análisis mediante la app Network Analyzer

Despliegue

  • Capacidad de convertir automáticamente modelos de deep learning de MATLAB a CUDA con GPU Coder
  • Nuevo Soporte para redes DAG, incluidas GoogLeNet, ResNet-50, ResNet-101, Inception-v3 y SegNet
  • Nuevo Soporte para procesadores Intel y ARM
  • Nuevo Generación de código CUDA que se integra con TensorRT

Solicitar Versión de Prueba Gratuita

30 días de prueba a su alcance

¿Tiene alguna pregunta?

Hablar con un experto en Deep Learning