Deep Learning Toolbox
Cree, analice y entrene redes de deep learning
Deep Learning Toolbox™ (anteriormente Neural Network Toolbox™) proporciona un marco de pruebas para diseñar e implementar redes neuronales profundas con algoritmos, modelos previamente entrenados y apps. Puede utilizar redes neuronales convolucionales (ConvNets y CNNs) y redes Long-Sort Term Memory (LSTM) para realizar clasificación y regresión en imágenes, series temporales y datos de texto. Las apps y los gráficos lo ayudan a visualizar activaciones, editar arquitecturas de red y supervisar el entrenamiento.
En caso de conjuntos de entrenamiento pequeños, puede realizar transferencia del aprendizaje con modelos de red profunda previamente entrenados (incluidos SqueezeNet, Inception-v3, ResNet-101, GoogLeNet y VGG-19) y modelos importados desde TensorFlow™-Keras y Caffe.
Para acelerar el entrenamiento en conjuntos de datos grandes, puede distribuir los cálculos y los datos entre procesadores multinúcleo y GPUs en el escritorio (con Parallel Computing Toolbox™), o bien escalar el cálculo a clusters y nubes, incluidas las instancias de GPU de Amazon EC2® P2, P3 y G3 (con MATLAB Distributed Computing Server™).
Redes y arquitecturas
Utilice Deep Learning Toolbox para entrenar redes de deep learning para clasificación, regresión y aprendizaje de características en imágenes, series temporales y datos de texto.
Redes neuronales convolucionales
Aprenda patrones en imágenes para reconocer objetos, caras y escenas. Construya y entrene redes neuronales convolucionales (CNNs) para realizar extracción de características y reconocimiento de imágenes.
Redes Long Short-Term Memory
Aprenda dependencias de largo plazo en datos secuenciales, incluidos datos de señales, audio, texto y otras series temporales. Construya y entrene redes Long Short-Term Memory (LSTM) para realizar clasificación y regresión.
Trabajo con LSTMs.
Arquitecturas de red
Utilice diversas estructuras de red, como series, grafo acíclico dirigido (DAG) y arquitecturas recurrentes, para crear su red de deep learning. Las arquitecturas DAG ofrecen más topologías de red, incluidas las que tienen capas omitidas o capas conectadas en paralelo.
Trabajo con distintas arquitecturas de red.
Diseño y análisis de redes
Cree, edite, visualice y analice redes de deep learning con apps interactivas.
Diseñe redes de deep learning
Cree una red profunda desde cero con la app Deep Network Designer. Importe un modelo previamente entrenado, visualice la estructura de red, edite las capas y ajuste los parámetros.
App Deep Network Designer.
Analice redes de deep learning
Analice la arquitectura de su red para detectar y depurar errores, advertencias y problemas de compatibilidad de capas antes del entrenamiento. Visualice la topología de la red y vea detalles como los parámetros que se pueden aprender y las activaciones.
Análisis de la arquitectura de una red de deep learning.
Transferencia del aprendizaje y modelos previamente entrenados
Importe modelos previamente entrenados en MATLAB para inferencia.
Transferencia del aprendizaje
La transferencia del aprendizaje suele utilizarse en aplicaciones de deep learning. Acceda a una red previamente entrenada y utilícela como punto de partida para aprender una tarea nueva y transferir rápidamente las características aprendidas a una tarea nueva utilizando una menor cantidad de imágenes de entrenamiento.
Modelos previamente entrenados
Acceda a los modelos más recientes en investigación con una sola línea de código. Importe modelos previamente entrenados, incluidos AlexNet, GoogLeNet, VGG-16, VGG-19, ResNet-101, Inception-v3 y SqueezeNet. Consulte la sección sobre modelos previamente entrenados para ver la lista completa de modelos.
Análisis de modelos de redes neuronales profundas.
Visualización
Visualice topologías de red, progreso del entrenamiento y activaciones de las características aprendidas en una red de deep learning.
Visualización de red
Visualice la topología de una red con sus capas y conexiones. Utilice la función analyzeNetwork para analizar la arquitectura de red de forma interactiva.
Visualización de una arquitectura de red de deep learning.
Progreso del entrenamiento
Vea el progreso del entrenamiento en cada iteración con gráficos de diversas métricas. Represente gráficamente las métricas de validación con respecto a las métricas de entrenamiento para analizar de forma visual si la red tiene sobreajuste o no.
Supervisión del progreso del entrenamiento de su modelo.
Activaciones de red
Extraiga las activaciones correspondientes a una capa, visualice las características aprendidas y entrene un clasificador de machine learning con las activaciones. Utilice la función deepDreamImage para comprender y diagnosticar el comportamiento de la red mediante el sintetizado de imágenes que activan significativamente las capas de red y el resaltado de las características aprendidas.
Visualización de activaciones.
Interoperabilidad con marcos de pruebas
Interopere con marcos de pruebas de deep learning desde MATLAB.
Conversor de ONNX
Importe y exporte modelos de ONNX en MATLAB® para interoperabilidad con otros marcos de pruebas de deep learning. ONNX permite que los modelos se entrenen en un marco de pruebas y luego se transfieran a otro para inferencia.
Interopere con marcos de pruebas de deep learning.
Importador de TensorFlow-Keras
Importe modelos de TensorFlow-Keras en MATLAB para inferencia y transferencia del aprendizaje con la función importKerasNetwork.
Importador de Caffe
Importe modelos de Caffe Model Zoo en MATLAB para inferencia y transferencia del aprendizaje con la función importCaffeNetwork.
Importación de modelos de Caffe Model Zoo en MATLAB.
Aceleración del entrenamiento
Acelere el entrenamiento de deep learning mediante el cálculo por GPU, en nube y distribuido.
Aceleración por GPU
Acelere el entrenamiento de deep learning y la inferencia con GPUs NVIDIA® de alto rendimiento. Puede realizar el entrenamiento en una sola GPU de estación de trabajo o ampliar el alcance a varias GPUs con sistemas DGX en centros de datos o en la nube. Puede utilizar MATLAB con Parallel Computing Toolbox y la mayoría de GPUs NVIDIA habilitadas para CUDA® que tengan capacidad de cálculo 3.0 o superior.
Aceleración con GPUs.
Aceleración en la nube
Acelere el entrenamiento de deep learning con instancias en la nube. Utilice instancias de GPU de alto rendimiento para obtener los mejores resultados.
Soporte para Parallel Computing Toolbox y MATLAB Distributed Computing Server.
Cálculo distribuido
Ejecute el entrenamiento de deep learning en varios procesadores ubicados en distintos servidores de una red con MATLAB Distributed Computing Server.
Ampliación del entrenamiento de deep learning en paralelo y en la nube.
Generación y despliegue de código
Despliegue redes entrenadas en sistemas embebidos o intégrelas en una amplia gama de entornos de producción.
Generación de código
Utilice GPU Coder™ para generar código CUDA optimizado desde MATLAB para deep learning, visión embebida y sistemas autónomos. Utilice MATLAB Coder™ para generar código C/C++ que despliegue redes de deep learning en procesadores Intel® Xeon® y ARM® Cortex®-A.
Soporte de MATLAB Compiler
Utilice MATLAB Compiler™ y MATLAB Compiler SDK™ para desplegar redes entrenadas como librerías compartidas de C/C++, ensamblados Microsoft® .NET, clases de Java® y paquetes de Python® desde programas de MATLAB. También puede entrenar un modelo de red superficial en la aplicación o el componente desplegados.
Uso compartido de programas de MATLAB independientes con MATLAB Compiler.
Redes neuronales superficiales
Utilice redes neuronales con una amplia gama de arquitecturas de redes neuronales superficiales supervisadas y no supervisadas.
Redes supervisadas
Entrene redes neuronales superficiales supervisadas para modelar y controlar sistemas dinámicos, clasificar datos con ruido y predecir eventos futuros.
Redes neuronales superficiales.
Redes no supervisadas
Localice relaciones en los datos y defina de forma automática los esquemas de clasificación dejando que la red superficial se ajuste continuamente en función de las entradas nuevas. Utilice redes no supervisadas de auto-organizadas , capas competitivas y mapas auto-organizados.
Mapas de organización automática.
Autoencoders apilados
Realice transformación de características no supervisada a través de la extracción de características de baja dimensión de sus conjuntos de datos mediante autoencoders. También puede utilizar autoencoders apilados para aprendizaje supervisado a través del entrenamiento y el apilamiento de varios encoders.
Autocodificadores apilados.
Funcionalidades más recientes
Deep Network Designer
Edite y cree redes de deep learning
Soporte de ONNX
Importe y exporte modelos mediante el formato de modelo de ONNX para interoperabilidad con otros marcos de pruebas de deep learning
Network Analyzer
Visualice, analice y localice problemas en arquitecturas de red antes del entrenamiento
TensorFlow-Keras
Importe capas de LSTM y BiLSTM desde TensorFlow-Keras
Redes Long Short-Term Memory (LSTM)
Solucione problemas de regresión con redes de LSTM y aprenda a partir del contexto de secuencia completo con capas de LSTM bidireccionales
Optimización de deep learning
Mejore el entrenamiento de redes con Adam, RMSProp y recorte de gradiente
Consulte las notas de la versión para saber los detalles sobre estas características y las funciones correspondientes.
MATLAB para deep learning
Diseñe, cree y visualice redes de deep learning
¿Tiene preguntas?
Póngase en contacto con Shounak Mitra, experto técnico de Deep Learning Toolbox
