MATLAB與深度學習

MATLAB於深度學習最新功能

網路架構及演算法 Network Architectures and Algorithms

  • 使用卷積神經網路(CNN)進行影像分類,物件偵測,迴歸及語義分割(semantic segmentation)新增有向非循環圖(DAG)網路功能,現在您可使用更複雜的架構進行深度學習,提高精確度並使用熱門的預先訓練模型(pretrained models)。
  • 加入長短期記憶(LSTM)網路功能,用於時間序列分類和預測。

訓練及視覺化 Training and Visualization

  • 深度學習監督訓練進度,掌握準確度、損失、驗證等資訊的繪圖功能。
  • 可在MATLAB中利用個人化API 製作個人化層級自動驗證網路性能,並在驗證度量不再改善時停止訓練。
  • 利用貝氏法最佳化法(Bayesian optimization)進行超參數(hyperparameter)的調校。
  • 視覺化中間層的活化與濾波器結果。
  • 使用 Google Deep Dream 進行視覺化。

使用最新的預先訓練模型 Access the Latest Pretrained Models

  • TensorFlow-Keras importer,並可匯入GoogLeNet及ResNet50模型
  • 匯入Caffe 模型(包括Caffe Model Zoo)VGG-16, VGG-19,和 AlexNet模型
  • 即將推出: InceptionV3 models。

擴大訓練範圍及加速 Scaling and Acceleration

  • 利用單一或是多個NVIDIA GPUs 進行加速
  • 使用Amazon EC2 將訓練上傳至雲端或叢集進行

處理大量影像資料 Handling Large Sets of Images

  • 使用imageDataStore函式輕鬆讀取和處理大量影像
  • 存取儲存在電腦,網路,資料庫和大數據檔案系統中的資料
  • 有效的圖像資料大小調整與圖像擴增等預處理功能

物件偵測 Object Detection

  • 使用R-CNN, Fast R-CNN, 和Faster R-CNN演算法訓練物件偵測器
  • 新增評估偵測器性能的方法,包含精密度以及缺失率度量

語義分割 Semantic Segmentation

  • 使用語義分割進行單一畫素分類
  • 驗證語義分割演算法的性能

路面真實標記(ground-truth labelling

  • 使用MATLAB應用程式標記影像中的畫素及區域,可用於語義分割及物件偵測的訓練
  • 使用自動化API 進行自動路面真實標記

嵌入式轉檔 Embedded Deployment

  • 使用MATLAB-GPU轉碼器(GPU Coder) 自動將深度學習模型轉碼成CUDA程式碼
  • 執行轉檔後的模型速度超越其他工具, 為Caffe2的4.5倍,較TensorFlow快上7倍。