MATLAB per il deep learning

Preparazione, progettazione, simulazione e distribuzione di reti neutrali profonde

Con solo poche righe di codice MATLAB®, puoi applicare le tecniche di deep learning al tuo lavoro per la progettazione di algoritmi, la preparazione e l’etichettatura di dati, la generazione di codice e la distribuzione su sistemi embedded.

Con MATLAB puoi:

  • Creare, modificare e analizzare architetture di deep learning utilizzando app e strumenti di visualizzazione.
  • Pre-elaborare i dati e automatizzare l’etichettatura di immagini, video e dati audio utilizzando le app.
  • Accelerare algoritmi su GPU NVIDIA®, cloud e risorse datacenter senza una programmazione specifica.
  • Collaborare con i tuoi colleghi utilizzando framework come TensorFlow, PyTorch e MxNet.
  • Simulare e addestrare il comportamento di sistemi dinamici con il reinforcement learning.
  • Generare dati di test e addestramento basati sulla simulazione dai modelli di sistemi fisici di MATLAB e Simulink®.

Guarda come gli altri utilizzano MATLAB per il deep learning

Panel Navigation

Shell

Utilizza la segmentazione semantica per il riconoscimento del terreno nei dati di un satellite iperspettrale.

Panel Navigation

Autoliv

Etichetta LIDAR per la verifica di un sistema di guida autonoma basato su radar.

Panel Navigation

Università di Ritsumeikan

Addestra le reti neurali convoluzionali nelle immagini TC per ridurre il rischio di esposizione alle radiazioni.

Panel Navigation

 

Argomenti trattati: intelligenza artificiale nell’ingegneria

Preparare ed etichettare dati immagine, di serie storiche e di testo

MATLAB riduce significativamente il tempo necessario per pre-elaborare ed etichettare set di dati con app multidominio per dati audio, video e immagine. Sincronizza serie storiche diverse, sostituisci gli outlier con valori interpolati, esegui il deblurring delle immagini e filtra i segnali rumorosi. Utilizza applicazioni interattive per etichettare, tagliare e identificare feature importanti e algoritmi integrati per automatizzare il processo di etichettatura.

Progettare, addestrare e valutare i modelli

Inizia con una serie completa di algoritmi e modelli predefiniti, quindi crea e modifica i modelli di deep learning utilizzando l’app Deep Network Designer. Incorpora i modelli di deep learning per problemi specifici del dominio senza dover creare architetture di rete complesse da zero.

Utilizza le tecniche per trovare gli iperparametri di rete ottimali e Parallel Computing Toolbox™ e NVIDIA GPU ad alte prestazioni per accelerare questi algoritmi computazionalmente onerosi. Utilizza gli strumenti di visualizzazione in MATLAB e le tecniche come Grand-CAM e sensibilità all’occlusione per ottenere informazioni sul tuo modello.

Simulare e generare dati sintetici

I dati per i modelli accurati sono critici e MATLAB può generare più dati quando non hai sufficienti scenari giusti. Ad esempio, utilizza le immagini sintetiche dei motori di gioco, come Unreal Engine®, per incorporare ulteriori casi limite. Utilizza le reti generative avversarie (GAN) per creare immagini simulate personalizzate.

Testa gli algoritmi prima che i dati dei sensori siano disponibili generando dati sintetici da Simulink, un approccio comunamente utilizzato nei sistemi di guida autonoma.

Integrare con framework basati su Python

Non si tratta di scegliere tra MATLAB e framework open source. MATLAB consente di accedere da qualsiasi luogo alle ricerche più recenti utilizzando le capacità di importazione di ONNX e di utilizzare una libreria di modelli predefiniti, tra cui NASNet, SqueezeNet, Inception-v3 e ResNet-101, per iniziare a lavorare rapidamente. La possibilità di richiamare Python da MATLAB e MATLAB da Python ti permette di collaborare facilmente con i tuoi colleghi che utilizzano l’open source.

Distribuire reti addestrate

Distribuisci i tuoi modelli addestrati su sistemi embedded, sistemi enterprise o sul cloud. MATLAB supporta la generazione automatica di codice CUDA® per le reti addestrate e le fasi di pre- e post-elaborazione per eseguire il targeting mirato alle GPU NVIDIA più recenti, tra cui Jetson Xavier e Nano.

Quando le prestazioni sono importanti, puoi generare codice che sfrutta le librerie ottimizzate per Intel® (MKL-DNN), NVIDIA (TensorRT, cuDNN) e ARM® (ARM Compute Library) per creare modelli distribuibili con velocità di inferenza ad alte prestazioni.

Argomenti relativi al deep learning

Panel Navigation

Elaborazione di segnali

Acquisisci e analizza segnali e dati di serie storiche.

Panel Navigation

Visione artificiale

Acquisisci, elabora e analizza immagini e video.

Panel Navigation

Reinforcement Learning

Definisci, addestra e distribuisci i criteri del reinforcement learning.

Inizia subito

Deep Learning Onramp

Inizia a utilizzare le tecniche di deep learning con questo tutorial pratico e gratuito.

Consulta le risorse introduttive

Guarda una dimostrazione, esplora gli esempi interattivi e accedi a tutorial gratuiti.

Richiedi una prova gratuita

30 giorni di prova a tua disposizione.

Scopri Deep Learning Toolbox

Hai domande?

Consulta un esperto di deep learning.