La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Come iniziare a utilizzare Deep Learning Toolbox

Progettazione, addestramento e analisi delle reti di Deep Learning

Il Deep Learning Toolbox™ offre un contesto per la progettazione e l’implementazione di reti neurali profonde con algoritmi, modelli preaddestrati e app. È possibile utilizzare reti neurali convoluzionali (ConvNets, CNN) e reti long short-term memory (LSTM) per eseguire attività di classificazione e regressione su dati di immagini, serie temporali e testi. Si possono costruire architetture di rete come reti generative avversarie (GAN) e reti siamesi utilizzando la differenziazione automatica, loop di addestramento e pesi condivisi. Con l’app Deep Network Designer è possibile progettare, analizzare e addestrare le reti a livello grafico. L’app Experiment Manager aiuta a gestire più esperimenti di Deep Learning in contemporanea, tenendo traccia dei parametri di addestramento, analizzando i risultati e confrontando il codice derivato dai diversi esperimenti. È possibile visualizzare le attivazioni dei livelli e monitorare graficamente i progressi dell’addestramento.

È possibile importare reti e grafici di livello da TensorFlow™ 2, TensorFlow-Keras e PyTorch^®, dal formato di modello ONNX™ (Open Neural Network Exchange) e da Caffe. È inoltre possibile esportare reti e grafici di livello Deep Learning Toolbox su TensorFlow 2 e nel formato di modello ONNX. Il toolbox supporta il transfer learning con DarkNet-53, ResNet-50, NASNet, SqueezeNet e molti altri modelli preaddestrati.

È possibile velocizzare l’addestramento su una workstation GPU singola o multipla (con Parallel Computing Toolbox™) oppure scalare su cluster e cloud, tra cui istanze di NVIDIA^® GPU Cloud e Amazon EC2^® GPU (con MATLAB^® Parallel Server™).

Tutorial

Come iniziare a utilizzare Deep Network Designer

Questo esempio mostra come utilizzare Deep Network Designer per adattare una rete GoogLeNet preaddestrata alla classificazione di una nuova raccolta di immagini.
Prova il Deep Learning in 10 righe di codice MATLAB

Scopri come utilizzare il Deep Learning per identificare gli oggetti su una webcam live con la rete preaddestrata AlexNet.
Classificazione di immagini con una rete preaddestrata

Questo esempio mostra come classificare un’immagine con la rete neurale convoluzionale profonda preaddestrata GoogLeNet.
Come iniziare a utilizzare il transfer learning

Questo esempio mostra come utilizzare il transfer learning per riaddestrare SqueezeNet, una rete neurale convoluzionale preaddestrata, per classificare un nuovo set di immagini.
Creazione di una rete di classificazione di immagini semplice

Questo esempio mostra come creare e addestrare una rete neurale convoluzionale semplice per la classificazione tramite Deep Learning.
Creazione di una rete di classificazione di immagini semplice con Deep Network Designer

Questo esempio mostra come creare e addestrare una rete neurale convoluzionale semplice per la classificazione tramite Deep Learning con l’uso di Deep Network Designer.
Creazione di una rete di classificazione di sequenze semplice con Deep Network Designer

Questo esempio mostra come creare una rete long short-term memory di classificazione semplice con l’uso di Deep Network Designer.

Reti superficiali

Reti superficiali per pattern recognition, clustering e serie temporali

Utilizza app e funzioni per progettare reti neurali superficiali per function fitting, pattern recognition, clustering e analisi di serie temporali.

Esempi in primo piano

Classify Webcam Images Using Deep Learning

Classify images from a webcam in real time using the pretrained deep convolutional neural network GoogLeNet.

Apri script

Addestramento della rete di Deep Learning per classificare nuove immagini

Questo esempio mostra come utilizzare il transfer learning per riaddestrare una rete neurale convoluzionale, per classificare un nuovo set di immagini.

Apri live script

Previsione delle serie temporali tramite il Deep Learning

Questo esempio mostra come prevedere i dati delle serie temporali utilizzando una rete con memoria a breve e lungo termine (LSTM).

Apri live script

Apprendimento interattivo

Deep Learning Onramp
Questo tutorial gratuito di due ore sul Deep Learning fornisce un'introduzione interattiva ai metodi pratici di Deep Learning. Si apprenderà come utilizzare le tecniche di Deep Learning per il riconoscimento dell’immagine in MATLAB.

Video

Modifica interattiva di una rete di Deep Learning per il transfer learning
Deep Network Designer è uno strumento point-and-click per creare o modificare reti neurali profonde. Questo video mostra come utilizzare l’app in un workflow di transfer learning. Dimostra la facilità con cui è possibile utilizzare lo strumento per modificare gli ultimi livelli della rete importata, invece di modificare i livelli nella riga di comando. È possibile verificare l'architettura modificata per individuare eventuali errori nelle connessioni e nell'assegnazione delle proprietà utilizzando un analizzatore di rete.

Deep Learning con MATLAB: Deep Learning in 11 righe di codice MATLAB
Scoprire come utilizzare MATLAB, una semplice webcam e una rete neurale profonda per identificare gli oggetti nell'ambiente circostante.

Deep Learning con MATLAB: Transfer Learning in 10 righe di codice MATLAB
Apprendere come utilizzare il transfer learning in MATLAB per riaddestrare le reti di Deep Learning create da esperti per i propri dati o per le proprie attività.