MATLAB Deep Learning Toolbox упрощает разработку искусственного интеллекта

MATLAB Deep Learning Toolbox упрощает разработку искусственного интеллекта

В MATLAB 2018b представлен ряд новых функций, в том числе Deep Learning Toolbox. Он поддерживает разработку приложений для машинного обучения. Другие новые функции включают в себя 5G Toolbox, NVIDIA Cloud и поддержку DGX + Sensor Fusion и Tracking.

Deep Learning Toolbox поддерживает сверточные нейронные сети (CNN) и сети с длинной короткой памятью (LSTM). Они используются для классификации и регрессии по изображению, временным рядам и текстовым данным. Это облегчает пользователям MATLAB возможность работать с другими платформами машинного обучения. Хотя они также могут импортировать и экспортировать модели в такие структуры, как: PyTorch, MXNet, Caffe и TensorFlow-Keras.

Разработчики могут использовать поддержку глубокой нейронной сети MATLAB (DNN) из кода MATLAB. MATLAB Coder или GPU Coder можно использовать для генерации кода C ++ и CUDA для развертывания на Intel с использованием MMKL-DNN, ARM с использованием библиотеки ARM Compute Library и платформ NVIDIA Tegra с использованием многочисленных библиотек NVIDIA.

while true
im = snapshot(camera); % Сфотографировать
image(im); % Показать изображение
im = imresize(im,[227 227]); % Изменение размера изображения для alexnet
label = classify(net,im); % Классифицировать изображение
title(char(label)); % Показать метку класса
drawnow
end

Однако кодирование — это лишь часть истории. Разработчик Deep Network Designer предоставляет возможность использовать предварительно обработанные модели, включая SqueezeNet, Inception-v3, ResNet-101, GoogLeNet и VGG-19, а также разработку новых моделей. Его можно использовать в сочетании с приложением MATLAB Image Labeler. Тут пользователи могут просматривать и маркировать изображения для семантической сегментации. Разработчики могут создавать рабочие процессы, специфичные для изображений, видео и аудиоклипов.

Deep Network Designer может использоваться для тонкой настройки предварительно подготовленных сетей глубокого обучения.

Инструментарий также может применяться для подготовки больших наборов данных, используя преимущества распределенных вычислений с помощью многоядерных процессоров и графических процессоров на рабочем столе с помощью Parallel Computing Toolbox.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *