¿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

  • Video Labeler: etiquete datos de validación (ground-truth) en secuencias de imágenes o vídeos.
  • Audio Labeler: defina y visualice interactivamente etiquetas de validación (ground-truth) para conjuntos de datos de audio.
  • Novedad Signal Labeler: visualice y etiquete señales interactivamente.
  • Novedad Datastore de etiquetas de píxeles: almacene información de píxeles para datos de segmentación semántica 2D y 3D.
  • Datastore de imágenes aumentadas: cree más muestras de entrenamiento para aumentar datos de entrenamiento de deep learning.
  • Novedad Datastore de audio: gestione grandes colecciones de grabaciones de audio.

Arquitecturas de red

  • Regresión y redes LSTM bidireccionales para salidas de series temporales continuas.
  • Novedad Entrenamiento de un detector de objetos de deep learning “you-only-look-once” (YOLO) v2 y generación de código CUDA.
  • Deep Network Designer: diseñe y analice de forma gráfica redes profundas y genere código MATLAB.
  • Novedad Soporte para capas personalizadas: defina nuevas capas con varias entradas y salidas, y especifique funciones de pérdidas para clasificación y regresión.
  • Novedad Combinación de LSTM y capas convolucionales para la clasificación de vídeo y el reconocimiento de gestos.

Interoperabilidad de deep learning

  • Importe y exporte modelos con otros marcos de deep learning mediante el formato de modelo de ONNX.
  • Capacidad para trabajar con MobileNet-v2, ResNet-101, Inception-v3, SqueezeNet y NASNet.
  • Novedad Importación de modelos de TensorFlow-Keras y generación de código CUDA.
  • Novedad Importación de redes DAG mediante el importador de modelos de Caffe.

Consulte la lista completa de modelos previamente entrenados soportados en MATLAB.

Entrenamiento de redes

  • Valide automáticamente el rendimiento de la red y detenga el entrenamiento cuando las métricas de validación dejen de mejorar.
  • Novedad Entrenamiento de redes de deep learning con datos de imágenes 3D.
  • Ajuste de hiperparámetros gracias a la optimización bayesiana.
  • Optimizadores adicionales para el entrenamiento: Adam y RMSprop.
  • Entrenamiento de redes DAG en paralelo y en varias GPUs.
  • Novedad Entrenamiento de modelos de deep learning en plataformas DGX de NVIDIA y en la nube.

Depuración y visualización

  • Activaciones de DAG: visualice las activaciones intermedias en redes como ResNet-50, ResNet-101, GoogLeNet e Inception-v3.
  • Supervise el progreso del entrenamiento mediante gráficos de precisión, pérdidas y métricas de validación.
  • Network Analyzer: visualice, analice y localice problemas en arquitecturas de red antes del entrenamiento.

Implementación

  • 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

Reinforcement Learning

  • Algoritmos de Reinforcement Learning (aprendizaje por refuerzo): entrene políticas de redes neuronales profundas con DQN, DDPG, A2C y otros algoritmos.
  • Modelización de entornos: cree modelos de MATLAB y Simulink para representar entornos y proporcionar señales de observación y recompensa para el entrenamiento de políticas.
  • Aceleración del entrenamiento: paralelice el entrenamiento de políticas en GPUs y CPUs multinúcleo.
  • Ejemplos de referencia: implemente controladores mediante el aprendizaje por refuerzo para aplicaciones de conducción autónoma y robótica.

Solicitar Versión de Prueba Gratuita

30 días de prueba a su alcance

¿Tiene alguna pregunta?

Hablar con un experto en Deep Learning