Deep Learning Toolbox

Progettazione, addestramento e analisi di reti di Deep Learning

Deep Learning Toolbox™ fornisce un framework per la progettazione e l’implementazione di reti neurali profonde con algoritmi, modelli pre-addestrati e app. È possibile utilizzare reti neurali convoluzionali (ConvNet, CNN) e reti Long Short-Term Memory (LSTM) per eseguire la classificazione e la regressione su immagini, serie storiche e dati testuali. È possibile costruire architetture di rete come reti generative avversarie (GAN) e reti siamesi utilizzando la differenziazione automatica, cicli di addestramento personalizzati e pesi condivisi. Con l’app Deep Network Designer è possibile progettare, analizzare e addestrare reti in forma grafica. L’app Experiment Manager aiuta a gestire più esperimenti di Deep Learning, a tenere traccia dei parametri di addestramento, ad analizzare i risultati e a confrontare il codice di diversi esperimenti. È inoltre possibile visualizzare le attivazioni dei layer e monitorare graficamente l’avanzamento dell’addestramento.

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

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

Che cos’è Deep Learning Toolbox?

Rete di rilevamento di oggetti YOLO v2 di due auto che percorrono una strada con doppie linee gialle e pedoni che attraversano le strisce pedonali.

Applicazioni di Deep Learning

Addestra modelli di Deep Learning per applicazioni di classificazione, regressione e apprendimento delle feature per guida autonoma, elaborazione di segnali e audio, comunicazioni wireless, elaborazione di immagini e altro ancora.

Introduzione al Deep Learning: che cosa sono le reti neurali convoluzionali? (4:44)

Documentazione | Esempi

Schermata dell’app Deep Network Designer.

Progettazione di reti e gestione di modelli

Accelera lo sviluppo dei modelli di Deep Learning utilizzando app low-code. Crea, addestra, analizza ed esegui il debug di una rete con l’app Deep Network Designer. Ottimizza e confronta più modelli con l’app Experiment Manager.

Costruzione, visualizzazione e modifica interattive di reti di Deep Learning (3:54)

Documentazione | Esempi

Esempi di altre reti pre-addestrate in Deep Network Designer.

Modelli pre-addestrati

Accedi ai modelli più diffusi con una sola riga di codice in MATLAB. Usa PyTorch™ tramite ONNX e TensorFlow™ per importare qualsiasi modello in MATLAB.

Deep Learning con MATLAB: transfer learning con reti neurali in MATLAB (4:05)

Documentazione | Esempi

Quattro immagini della stessa scena che rappresentano l’immagine di test, la segmentazione semantica, la Grad-CAM della strada e la Grad-CAM del manto stradale.

Spiegabilità

Visualizza i progressi dell’addestramento e le attivazioni delle feature acquisite in una rete di Deep Learning. Usa Grad-CAM, Occlusion Mapping e LIME per spiegare i risultati del modello di Deep Learning.

Documentazione | Esempi

Quattro immagini di un cane che mostrano come eseguire tipologie comuni di ingrandimento delle immagini e dei riquadri di delimitazione nei workflow di rilevamento degli oggetti.

Pre-elaborazione

Etichetta, elabora e incrementa i dati per l’addestramento delle reti. Automatizza l’etichettatura dei dati con algoritmi integrati.

Documentazione | Esempi

Due grafici utilizzati per indicare il progresso dell’addestramento: il primo mostra una curva blu crescente della precisione di tracking della traiettoria e il secondo mostra una curva arancione decrescente della perdita di tracking della traiettoria.

Accelerazione dell’addestramento

Accelera l’addestramento sul Deep Learning utilizzando GPU, accelerazione cloud e calcolo distribuito.

Documentazione | Esempi

Schermata dell’app MATLAB Coder. La casella di controllo “Enable code generation for deep learning” è selezionata e l’elenco a discesa della libreria di destinazione è impostato su “None”.

Generazione di codice

Genera automaticamente codice CUDA^® ottimizzato con GPU Coder™ e genera codice C e C++ con MATLAB Coder™ per distribuire reti di Deep Learning su GPU NVIDIA e vari processori. Prototipa e implementa reti di Deep Learning su FPGA e SoC con Deep Learning HDL Toolbox™.

Generazione di codice generico C/C++ per reti di Deep Learning in Simulink (5:10)

Documentazione | Esempi

Tre schermate che mostrano la modellazione di sensori virtuali mediante Deep Learning e una schermata di un grafico a linee che rappresenta variabili come verità, E K F, Deep Learning F N N e Deep Learning L S T M.

Simulazione con Simulink

Simula reti di Deep Learning con componenti di controllo, elaborazione di segnali e fusione di sensori per valutare l’impatto del tuo modello di Deep Learning sulle prestazioni a livello di sistema.

Integrazione di un modello TensorFlow in Simulink per la simulazione e la generazione di codice (5:47)

Documentazione | Esempi

Schermata della finestra di Deep Network Quantizer utilizzata per ridurre le dimensioni del modello, convalidare e visualizzare i risultati. Nella schermata sono presenti tre sezioni: “Net Layer Graph”, “Calibration Statistics” e “Validation Summary”.

Compressione mediante Deep Learning

Esegui la quantizzazione e il pruning della tua rete di Deep Learning per ridurre l’uso della memoria e aumentare le prestazioni di inferenza. Analizza e visualizza il tradeoff tra prestazioni aumentate e precisione di inferenza usando l’app Deep Network Quantizer.

Quantizzazione di una rete di Deep Learning in MATLAB (2:50)

Documentazione | Esempi