Deep Learning Toolbox

AGGIORNAMENTO IMPORTANTE

 

Deep Learning Toolbox

Creare, analizzare e addestrare reti di deep learning

 

Deep Learning Toolbox™ (precedentemente noto come Neural Network 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. Le app e i grafici ti aiutano a visualizzare le attivazioni, a modificare le architetture di rete e a monitorare i progressi dell'addestramento.

Per i piccoli set di addestramento, è possibile eseguire il transfer learning con modelli di reti profonde pre-addestrati (tra cui SqueezeNet, Inception-v3, ResNet-101, GoogLeNet e VGG-19) e modelli importati da TensorFlow™-Keras e Caffe.

Per velocizzare l’addestramento su set di dati di grandi dimensioni, è possibile distribuire i calcoli e i dati tra processori multicore e GPU sul desktop (con Parallel Computing Toolbox™), oppure ampliare le capacità utilizzando cluster e cloud, tra cui Amazon EC2® P2, P3 e istanze di G3 GPU (con MATLAB Distributed Computing Server™).

Reti e architetture

Utilizza Deep Learning Toolbox per addestrare reti di deep learning per la classificazione, la regressione e l’apprendimento di feature su immagini, serie storiche e dati testuali.

Reti neurali convoluzionali

Apprendi i pattern presenti nelle immagini per riconoscere oggetti, volti e scene. Costruisci e addestra le reti neurali convoluzionali (CNN) per eseguire l’estrazione di feature e il riconoscimento delle immagini.

Reti Long Short-Term Memory

Apprendi le dipendenze a lungo termine nei dati sequenziali inclusi i segnali, i dati audio, i dati testuali e altri dati di serie storiche. Costruisci e addestra le reti Long Short-Term Memory (LSTM) per eseguire la classificazione e la regressione. 

Lavorare con LSTM.

Architetture di rete

Utilizza le varie strutture di rete come le serie, le Directed Acyclic Graph (DAG) e le architetture ricorrenti per creare la tua rete di deep learning. Le architetture DAG offrono più topologie di rete tra cui quelle con layer ignorati o layer connessi in parallelo. 

Lavorare con diverse architetture di rete.

Progettare e analizzare reti

Crea, modifica, visualizza e analizza reti di deep learning con app interattive. 

Progettare reti di deep learning

Crea una rete profonda da zero utilizzando l’app Deep Network Designer. Importa un modello pre-addestrato, visualizza la struttura della rete, modifica i layer e ottimizza i parametri. 

App Deep Network Designer.

Analizzare reti di deep learning

Analizza la tua architettura di rete per individuare ed eseguire il debug di errori, avvisi e problemi di compatibilità dei layer prima dell’addestramento. Visualizza la topologia di rete e i dettagli come i parametri assimilabili e le attivazioni.

Analizzare un’architettura di rete di deep learning.

Transfer learning e modelli pre-addestrati

Importa modelli pre-addestrati in MATLAB per inferenza. 

Transfer learning

Il Transfer learning viene comunemente utilizzato nelle applicazioni di deep learning. Accedi a una rete pre-addestrata e usala come punto di partenza per apprendere una nuova attività e trasferire rapidamente le feature apprese a un’attività diversa, usando un numero inferiore di immagini addestrate.

Modelli pre-addestrati

Accedi agli ultimi modelli tramite una ricerca con una sola riga di codice. Importa modelli pre-addestrati tra cui AlexNet, GoogLeNet, VGG-16, VGG-19, ResNet-101, Inception-v3 e SqueezeNet. Controlla i modelli pre-addestrati per accedere a un elenco completo dei modelli. 

Analisi di modelli di reti neurali profonde.

Visualizzazione

Visualizza topologie di rete, i progressi dell’addestramento e le attivazioni delle feature apprese in una rete di deep learning.

Visualizzazione della rete

Visualizza una topologia di rete con i suoi layer e le connessioni. Utilizza la funzione analyzeNetwork per analizzare l’architettura di rete in modo interattivo.
 

Visualizzare un’architettura di rete di deep learning.

Progresso dell’addestramento

Visualizza i progressi dell’addestramento in ogni iterazione con grafici di varie metriche. Rappresenta le metriche di convalida rispetto a quelle di addestramento per analizzare visivamente l’eventuale overfitting della rete. 

Monitorare i progressi dell’addestramento del proprio modello.

Attivazioni di rete

Estrai le attivazioni corrispondenti a un layer, visualizza le feature apprese e addestra un classificatore di machine learning usando le attivazioni. Utilizza la  funzione  deepDreamImage per comprendere e diagnosticare il comportamento della rete mediante la sintetizzazione delle immagini che attivano fortemente i layer della rete e mettendo in evidenza le feature apprese.

Visualizzare le attivazioni.

Interoperabilità dei framework

Sfrutta l’interoperabilità con i framework di deep learning di MATLAB.

Convertitore ONNX

Importa ed esporta modelli ONNX in MATLAB®  per l’interoperabilità con altri framework di deep learning. ONNX permette di addestrare i modelli in un framework e di trasferirli a un altro per inferenza. 

Sfruttare l’interoperabilità con i framework di deep learning.

Importatore di modelli da TensorFlow-Keras

Importa modelli da TensorFlow-Keras in MATLAB per inferenza ed esegui il transfer learning con la funzione importKerasNetwork

Importatore di modelli da Caffe

Importa modelli da Caffe Model Zoo in MATLAB per inferenza ed esegui il transfer learning con la funzione importCaffeNetwork.

Importare modelli da Caffe Model Zoo in MATLAB.

Accelerazione dell’addestramento

Accelera l’addestramento del deep learning usando GPU, il cloud e le funzioni di distributed computing. 

Accelerazione GPU

Accelera l’addestramento del deep learning e l’inferenza con GPU NVIDIA® ad alte prestazioni. È possibile eseguire l’addestramento su una GPU a workstation singola oppure sfruttare più GPU con i sistemi DGX nei data center o nel cloud. È possibile utilizzare MATLAB con Parallel Computing Toolbox e la maggior parte delle GPU NVIDIA abilitate per CUDA® che hanno una capacità di elaborazione pari o superiore a 3.0

Accelerazione con GPU.

Accelerazione cloud

Accelera l’addestramento del deep learning con istanze cloud. Utilizza le istanze di GPU ad alte prestazioni per ottenere risultati migliori. 

Supporto per Parallel Computing Toolbox e MATLAB Distributed Computing Server.

Ampliare le capacità del deep learning in parallelo e nel cloud.

Generazione e distribuzione di codici

Distribuisci reti addestrate in sistemi embedded oppure integrale in un’ampia gamma di ambienti di produzione.

Generazione di codici

Utilizza GPU Coder™ per generare un codice CUDA ottimizzato dal codice MATLAB per il deep learning, la visione embedded e i sistemi autonomi. Utilizza MATLAB Coder™ per generare un codice C/C++ per distribuire le reti di deep learning su processori Intel® Xeon® e ARM® Cortex®-A.

Supporto per MATLAB Compiler

Utilizza MATLAB Compiler™ e MATLAB Compiler SDK™ per distribuire reti addestrate come le librerie condivise C/C++, gli assembly .NET Microsoft®, le classi Java® e i pacchetti Python® dai programmi MATLAB. È anche possibile addestrare un modello di rete superficiale nel componente o nell’applicazione distribuita.

Condividere programmi MATLAB standalone con MATLAB Compiler.

Reti neurali superficiali

Utilizza le reti neurali con una varietà di architetture di reti neurali superficiali supervisionate e non supervisionate.

Reti supervisionate

Addestra le reti neurali superficiali supervisionate per modellare e controllare sistemi dinamici, classificare dati rumorosi e prevedere eventi futuri. 

Reti neurali superficiali.

Reti non supervisionate

Trova relazioni tra i dati e definisci automaticamente schemi di classificazione lasciando che la rete superficiale si adatti continuamente ai nuovi input. Usa Self-Organizing Network non supervisionate, layer competitivi e Self-Organizing Map. 

Self-Organizing Map.

Autocodificatori impilati

Esegui la trasformazione delle feature non supervisionate estraendo feature in dimensione bassa dai set di dati con gli autocodificatori. È anche possibile utilizzare autocodificatori impilati per l’apprendimento supervisionato mediante addestramento e stacking di più codificatori.

Autocodificatori impilati.

Ultime novità

Deep Network Designer

Modificare e costruire reti di deep learning

Supporto agli ONNX 

Importare ed esportare modelli utilizzando il formato del modello ONNX per l’interoperabilità con altri framework di deep learning

Network Analyzer

Visualizzare, analizzare e individuare i problemi nelle architetture di rete prima dell’addestramento

TensorFlow-Keras

Importare layer LSTM e BiLSTM da TensorFlow-Keras

Reti Long Short-Term Memory (LSTM)

Risolvere problemi di regressione con le reti LSTM e apprendere dal contesto a sequenza intera usando i layer LSTM bidirezionali

Ottimizzazione Deep Learning

Migliorare l’addestramento delle reti con Adam, RMSProp e il clipping dei gradienti

Vedi le note di rilascio per ulteriori informazioni su queste caratteristiche e sulle funzioni corrispondenti.

MATLAB per il deep learning

Progettare, costruire e visualizzare reti di deep learning

Hai domande?

Contatta Shounak Mitra, esperto tecnico del Deep Learning Toolbox

Prova gratuita

30 giorni di esplorazione a tua disposizione.

Scarica ora

Pronto per acquistare?

Richiedi una quotazione ed esplora i prodotti correlati.

Sei uno Studente?

Acquista MATLAB e Simulink per studenti.

Per Saperne di Più