Workflow dei dati dell’immagine

Utilizzare il transfer learning per sfruttare le conoscenze fornite da una rete preaddestrata per apprendere nuovi pattern in nuovi dati dell’immagine. Il fine-tuning di una rete di classificazione delle immagini preaddestrata con il transfer learning è in genere molto più rapido e semplice dell'addestramento da zero. L’utilizzo di reti profonde preaddestrate consente di creare rapidamente modelli per le nuove attività senza dover definire e addestrare una nuova rete, disporre di milioni di immagini o di una potente GPU. È inoltre possibile creare nuove reti profonde per attività di classificazione e regressione delle immagini definendo l'architettura della rete e addestrandola da zero.

È possibile addestrare la rete utilizzando la funzione trainnet con la funzione trainingOptions o specificando un loop di addestramento personalizzato utilizzando gli oggetti dlnetwork o le funzioni degli oggetti dlarray.

È possibile addestrare una rete neurale su una CPU, una GPU, più CPU o GPU, oppure in parallelo su un cluster o nel cloud. L'addestramento su GPU o in parallelo richiede Parallel Computing Toolbox™. L’utilizzo di una GPU richiede un dispositivo GPU supportato (per informazioni sui dispositivi supportati, vedere GPU Computing Requirements (Parallel Computing Toolbox)). Specificare l’ambiente di esecuzione utilizzando la funzione trainingOptions.

È possibile monitorare i progressi dell'addestramento utilizzando i grafici integrati sulla precisione e sulla perdita della rete, nonché esaminare le reti addestrate utilizzando tecniche di visualizzazione come Grad-CAM, sensibilità all'occlusione, LIME e deep dream.

Quando si dispone di una rete addestrata, è possibile verificarne la solidità, calcolare i limiti di output della rete e trovare esempi avversari. È inoltre possibile utilizzare una rete addestrata nei modelli Simulink^® utilizzando i blocchi della libreria di blocchi Deep Neural Networks.