¿Qué novedades hay en MATLAB para deep learning?

MATLAB consigue que el deep learning resulte fácil y accesible para todos, incluso sin ser un experto. Consulte las funcionalidades más recientes para el diseño y la creación de sus propios modelos, el entrenamiento y la visualización de redes, y el 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 Almacén de datos de etiquetas de píxeles: almacene información de píxeles para datos de segmentación semántica 2D y 3D.
  • Novedad Almacén de datos de audio: gestione grandes colecciones de grabaciones de audio.
  • Novedad Almacén de datos de imágenes: soporte para datos 3D.

Arquitecturas de red

  • Novedad Cree arquitecturas de red avanzadas como GAN, redes siamesas, redes de atención y autocodificadores variacionales.
  • Entrene un detector de objetos de deep learning “you-only-look-once” (YOLO) v2 y genere código C y CUDA.
  • Deep Network Designer: diseñe y analice de forma gráfica redes profundas y genere código MATLAB.
  • Soporte para capas personalizadas: defina nuevas capas con varias entradas y salidas, y especifique funciones de pérdidas para clasificación y regresión.
  • Combine redes 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 y genere código CUDA.
  • Novedad Capacidad para trabajar con MobileNet-v2, ResNet-101, Inception-v3, SqueezeNet, NASNet-Large y Xception.
  • Importe modelos de TensorFlow-Keras y genere código C, C++ y CUDA.
  • Importe redes DAG en el importador de modelos 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 mediciones de validación dejen de mejorar.
  • Novedad Entrene redes de deep learning con datos de imágenes 3D.
  • Lleve a cabo el ajuste de hiperparámetros usando la optimización bayesiana.
  • Optimizadores adicionales para el entrenamiento: Adam y RMSprop.
  • Entrene redes DAG en paralelo y en varias GPU.
  • Entrene 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.
  • Novedad Visualice activaciones de redes LSTM y use Grad-CAM para entender las decisiones de clasificación.

Despliegue

  • Novedad Genere código para redes como el detector de objetos YOLO V2, DeepLab-v3+, MobileNet-v2, Xception, DenseNet-201 y redes recurrentes.
  • Novedad Despliegue redes de deep learning en GPU de ARM Mali.
  • Novedad Despliegue automatizado en las plataformas Jetson AGX Xavier y Jetson Nano.
  • Aplique transposiciones optimizadas para CUDA usando memoria compartida para un mejor rendimiento.

Reinforcement learning

  • New Algoritmos de reinforcement learning: entrene políticas de redes neuronales profundas con DQN, DDPG, A2C, PPO y otros algoritmos.
  • Modelado 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 GPU y CPU multinúcleo.
  • New Ejemplos de referencia: implemente políticas para aplicaciones de conducción autónoma, robótica y diseño de sistemas de control.

Consiga una prueba gratuita

Treinta días de exploración a su alcance.

¿Tiene preguntas?

Hable con un experto en deep learning.