Esta es una guía de referencia para combinar MATLAB y modelos basados en Python® en flujos de trabajo de inteligencia artificial (IA). Descubra cómo convertir entre MATLAB, PyTorch® y TensorFlow™ con Deep Learning Toolbox.
La integración de MATLAB con PyTorch y TensorFlow permite:
- Facilitar la colaboración entre plataformas y equipos de trabajo
- Probar el rendimiento de modelos y la integración de sistemas
- Acceder a herramientas de MATLAB y Simulink para diseñar sistemas de ingeniería
Conversión entre MATLAB, PyTorch y TensorFlow
Con Deep Learning Toolbox y MATLAB, puede acceder a modelos previamente entrenados y diseñar todo tipo de redes neuronales profundas. Pero no todo el personal especializado en IA trabaja con MATLAB. Para facilitar la colaboración entre plataformas y equipos de trabajo durante el diseño de sistemas basados en IA, puede integrar Deep Learning Toolbox con PyTorch y TensorFlow.
Por qué importar modelos de PyTorch y TensorFlow en MATLAB
Cuando convierte un modelo de PyTorch o TensorFlow a una red de MATLAB, puede utilizar la red convertida con todas las funciones y apps de IA integradas en MATLAB, para transferencia del aprendizaje, IA explicable y verificación, simulación y pruebas en nivel de sistema, compresión de red y generación automática de código para la implementación en dispositivos objetivos.
Prepare modelos de PyTorch y TensorFlow para importarlos
Antes de importar modelos de PyTorch y TensorFlow en MATLAB, debe prepararlos y guardarlos con el formato adecuado. Puede utilizar el siguiente código en Python para preparar los modelos.
El importador de PyTorch espera un modelo de PyTorch trazado. Después de trazar el modelo de PyTorch, guárdelo. Para obtener más información sobre cómo trazar un modelo de PyTorch, consulte la documentación de Torch: Trazado de una función.
X = torch.rand(1,3,224,224)
traced_model = torch.jit.trace(model.forward,X)
traced_model.save("torch_model.pt")
El modelo de TensorFlow se debe guardar con el formato SavedModel.
model.save("myModelTF")
Cómo importar modelos de PyTorch y TensorFlow
Puede importar modelos desde PyTorch y TensorFlow en MATLAB, y convertirlos en redes de MATLAB con una sola línea de código.
Utilice la función importNetworkFromPyTorch y especifique PyTorchInputSizes con el tamaño de entrada adecuado para el modelo de PyTorch específico. Esto permite que la función cree una capa de entrada de imagen para la red importada, ya que los modelos de PyTorch no tienen capas de entrada de manera inherente. Para obtener más información, consulte Sugerencias sobre importación de modelos desde PyTorch y TensorFlow.
net = importNetworkFromPyTorch("mnasnet1_0.pt",PyTorchInputSizes=[NaN,3,224,224])
Para importar una red desde TensorFlow, utilice la función importNetworkFromTensorFlow.
Importe modelos de PyTorch y TensorFlow de manera interactiva
Puede importar modelos desde PyTorch de manera interactiva con la app Deep Network Designer. Después, puede ver, editar y analizar la red importada desde la app. Incluso puede exportar la red directamente a Simulink desde la app.
Cómo exportar modelos desde MATLAB a PyTorch y TensorFlow
Puede exportar y compartir redes de MATLAB a TensorFlow y PyTorch. Utilice exportNetworkToTensorFlow para exportar directamente a TensorFlow, y la función exportONNXNetwork para exportar a PyTorch a través de ONNX™.
exportNetworkToTensorFlow(net,"myModel")
Comparación: Coejecución frente a conversión de modelos
Primero, compare la coejecución de un modelo de PyTorch o TensorFlow en un entorno de MATLAB con la conversión del modelo de plataforma externa en una red de MATLAB para decidir qué flujo de trabajo se adapta mejor a la tarea.
Coejecución |
Conversión de modelos |
|
|---|---|---|
Funciona con todos los modelos de PyTorch y TensorFlow |
Sí |
No |
Simulación de un modelo en Simulink |
Sí |
Sí |
Generación automática de código |
No |
Sí |
Aplicación de técnicas de explicabilidad |
Solo para detección de objetos |
Sí |
Verificación de solidez y fiabilidad |
No |
Sí |
Uso de apps de IA de low-code |
No |
Sí |
Compresión de red |
No |
Sí |
Coejecute modelos basados en Python desde MATLAB
Llame a modelos de PyTorch y TensorFlow, o a código de Python, directamente desde MATLAB. Esto permite comparar modelos basados en Python, por ejemplo, para buscar el modelo que ofrezca la mayor precisión, como parte del flujo de trabajo de IA que haya creado en MATLAB.
Coejecute modelos basados en Python desde Simulink
Simule y pruebe modelos de Python personalizados y de PyTorch, TensorFlow y ONNX en sistemas utilizando los bloques de coejecución de Simulink. Esto permite realizar iteraciones de diseños, evaluar el comportamiento de modelos, y probar el rendimiento de sistemas.
Por qué utilizar Simulink para modelos de IA
Combinar IA con diseño basado en modelos, además de probar la integración de modelos de Deep Learning en sistemas de mayor tamaño, permite acelerar y mejorar el diseño de sistemas complejos para aplicaciones de diseño de sensores virtuales.
Llamada a MATLAB desde Python
Otra opción para combinar MATLAB con Python para un flujo de trabajo de IA es llamar a MATLAB desde un entorno de Python. Explore esta opción para preparar datos antes de introducirlos en un modelo basado en Python con herramientas específicas del dominio de MATLAB, o llamar a herramientas de IA de MATLAB para visualizar e interpretar las decisiones de un modelo de IA basado en Python.
Abra un repositorio en MATLAB Online
Puede trabajar con LLM en MATLAB Online. Los repositorios de File Exchange y GitHub® con código de MATLAB disponen del botón Open in MATLAB Online. Si hace clic en el botón, el repositorio se abre directamente en MATLAB Online.
Puede acceder a modelos de lenguaje de gran tamaño (LLM) populares, como gpt-4, llama3 y mixtral, desde MATLAB a través de una API, o instalarlos localmente. Después, puede utilizar su modelo preferido para generar texto. Alternativamente, puede utilizar un modelo BERT previamente entrenado, que se incluye en MATLAB.
LLM para procesamiento del lenguaje natural
Los LLM han revolucionado el procesamiento del lenguaje natural (PLN), ya que pueden captar relaciones complejas entre palabras y matices propios del lenguaje humano. Utilizar un LLM desde MATLAB es solo parte de la cadena de tareas de PLN (consulte IA de MATLAB para PLN). Aproveche las herramientas de MATLAB para desarrollar la cadena de tareas completa. Por ejemplo, puede utilizar funciones de Text Analytics Toolbox para acceder a datos de texto y prepararlos.
Cadena de tareas de procesamiento del lenguaje natural.
Repositorio: LLM con MATLAB
Puede conectar MATLAB a OpenAI® Chat Completions API (que impulsa ChatGPT™), Ollama™ (para LLM locales) y servicios Azure® OpenAI utilizando los LLM con repositorio de MATLAB.
Acceda a LLM a través de la API de OpenAI
Sirviéndose del código del repositorio, puede interactuar con la API de OpenAI desde un entorno de MATLAB y utilizar modelos (GPT-4 y GPT-4 Turbo) para varias tareas de PLN, como crear un chatbot propio y realizar análisis de sentimientos. Para interactuar con la API de OpenAI, debe obtener una clave de API de OpenAI. Para obtener más información sobre claves y tarifas, consulte OpenAI API.
Creación de un chatbot.
Acceda a LMM a través de Azure OpenAI Service
Para utilizar Azure OpenAI Service, primero debe desplegar un modelo en su cuenta de Azure y obtener una clave. Azure OpenAI desarrolla las API conjuntamente con OpenAI e incorpora las prestaciones de seguridad de Microsoft® Azure. Los LLM con el repositorio de MATLAB ofrecen código para conectarse a Azure OpenAI Service desde MATLAB.
Acceda a LLM locales a través de Ollama
Puede acceder a LLM locales populares, como llama3, mistral y gemma, empleando el código del repositorio y conectando MATLAB a un servidor de Ollama local. Puede utilizar LLM locales para tareas de PLN, como generación aumentada con recuperación (RAG), que puede mejorar la precisión del LLM empleando sus propios datos.
Flujo de trabajo de generación aumentada con recuperación.
Navegación de panel
Tutorial
Deep Learning Onramp
Aprenda los conceptos básicos de Deep Learning para problemas de clasificación de imágenes en MATLAB
