הקדמה: למה למידה עמוקה להתאמה של תמונות?

סיווג תמונה - המשימה של הקצאת תווית לדימוי מקבוצה מוגדרת מראש של קטגוריות - הפכה אבן הפינה של ראיית מחשב מודרנית.מאבחון רפואי לנהיגה אוטונומית, סיווג מדויק מניע אינספור יישומים בעולם האמיתי. Deep Learning, במיוחד רשתות עצביות אבולוציה (CNN), שיפרה באופן דרמטי את הדיוק הסיווג, לעתים קרובות על ביצועים ברמה אנושית על גבי נתונים.

MATLAB כבר זמן רב מועדף בקרב מהנדסים ומדענים עבור מחשוב מספרי ו prototyping. The Deep Learning Toolbox מרחיב את היכולת הזו עם שכבות שנבנו מראש, פונקציות הכשרה, האצה חלקה חומרה. בין אם אתה סטודנט חוקר רשתות עצביות או מקצועי פריסת מחלקה בזמן אמת, תיבת הכלים מציעה זרימת עבודה מובנת המכסה הכנת נתונים, עיצוב, הערכה, ופריסה.

ארכיון תגיות: Deep Learning Toolbox

תיבת הכלים למידה עמוקה (לשעבר The Neural Network Toolbox) מספקת סט מקיף של פונקציות ואפליקציות לעיצוב, הכשרה וסימול רשתות עצביות עמוקות.הוא תומך במגוון רחב של ארכיטקטורות, כולל:

  • (ב) ,0) רשתות ניאל-מהפכניות (CNN) אנדרל 1) עבור תמונות ונתונים מרחביים.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [15] ,5 ,5 ,5 ,5 ,5 ,5 ).

תיבת הכלים משלבת עם המערכת האקולוגית הרחבה של MATLAB, כולל תיבת עיבוד תמונה, תיבת מחשב חזון מחשב ו- Parallel Computing Toolbox, המאפשר פתרונות קצה-לקצה.

  • (FLT:0) מודלים מאומנים מראש FLT:1 כגון אלכסנט, VGG-16/19, GoogLeNet, ResNet, Inception ו-EfficientNet, אשר ניתן להשתמש בהם לצורך העברת למידה או מיצוי תכונה.
  • (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,הבדלנות אוטומטית (FLT:1 ו- GPU תמיכה באמצעות תיבת מחשוב במקביל ו- MATLAB's Built-inFLT:1 עבור אימונים מהירים יותר.
  • (ב) ,0) כלי Visualization (FLT:2 ו-FLT 3:2 כדי לבדוק אדריכלות שכבתית, מפות הפעלה והתקדמות אימונים.
  • (FLT:0) אפשרויות של ניהול (Deployment Options) 1 כולל דור קוד, יצוא ל- TensorFlow או ONNX, ושילוב ישיר עם חומרה מוטבעת באמצעות קוד MATLAB.

הבנת רשתות נורמטיביות להתאמה

בלבם של רוב מערכות סיווג התמונה הוא CNN.רשתות אלה ללמוד תכונות היררכיות: שכבות מוקדמות לזהות קצוות ומרקמים, שכבות ביניים לזהות צורות וחלקים, ושכבות עמוקות לזהות אובייקטים. MATLAB של Deep Learning Toolbox מייזלה מייקס מייזלה מייזלה מייקס (MATLAB) מיישם את כל סוגי השכבות הסטנדרטיות -convolution2dLayer, maxPooling2dLayer, גם החידושים הרגילים, ו-Laraclecasts.

למה להשתמש ב-MATLAB עבור CNN Design?

בהשוואה למסגרות כמו TensorFlow או PyTorch, MATLAB מציע מספר יתרונות ייחודיים:

  • (ב) ,0) סביבה בין-אקטיבית: האפליקציה (FLT:4) מאפשרת בנייה של רשתות גרר-אנדרופ, אשר אידיאלי למתחילים או נטיעת מהירה.
  • (ב) ,0) , ⁇ ⁇ ⁇ : ניתן לעבור דרך אימונים ולבדוק הפעלה בכל שכבה, לפשט את האבחנה של המודל.
  • (ב) ,0) , 000 מזכר יעילות: MATLAB מטפל באופן אוטומטי בזיכרון GPU, הימנעות משגיאות משותפות מחוץ לזיכרון כי הם מדביקים קידוד ידני.
  • (ב) ⁇ :0 (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

הכנת נתונים: הקרן של מתווך מוצלח

לא משנה כמה מתוחכמת המודל, נתונים עניים מובילים לביצועים עניים. MATLAB מספק כמה כלי רכב לניהול נתוני תמונות ביעילות.

שימוש ב-FLT:5

הפונקציה ERLT:6 היא הדרך הסטנדרטית לטעון אוספים גדולים של תמונות.זה באופן אוטומטי תוויות תמונות המבוססות על שמות תיקיות, תומך פיצול לתוך הכשרה, אימות ו ערכות מבחן, ויכול לקרוא תמונות מדיסק בחבילות כדי למנוע זיכרון על פני זרימת הדם.

imds = imageDatastore('path/to/images', 'IncludeSubfolders', true, 'LabelSource', 'foldernames');
[imdsTrain, imdsValidation, imdsTest] = splitEachLabel(imds, 0.7, 0.15, 'randomized');

« מידע על סמך ההרחבה (FLT:8 ).

כדי לשפר את הכללה, במיוחד עם נתונים מוגבלים, ניתן ליישם שינויים אקראיים במהלך אימון.

  • סיבוב אקראי (0-360 מעלות)
  • השתקפות אופקית / מעוותת
  • דרוג ותרגום
  • Shear ו-ניגודיות

שינויים אלה מוחלים על-פני-הפניות, כלומר המודל רואה תמונה מעט שונה בכל תקופה ללא אחסון עותקים מרובים על הדיסק.זה מפחית באופן משמעותי את ההתאמה ושיפור העוצמה.

עקבו אחרי Im Balanced Datasets

נתונים אמיתיים יש לעתים קרובות התפלגות מעמד לא שוויונית. MATLAB מציעה שכבות סיווג משקל (ראה FLT:10) ויכולים לחשב משקלים בכיתה באופן אוטומטי מתדרים שנקבעו באימון. לחלופין, אתה יכול oversampleclass על ידי שימוש בחנות נתונים אישית או בית נתונים LT:11 רכוש של אפשרות הכשרה של 12.

העברת למידה: Accelerating Development with Pre-מוגבל מודלים

אימון CNN עמוק מאפס על בסיס נתונים קטן הוא לעתים רחוקות מעשי העברת למידה ממינוף מודל לפני אימון על בסיס נתונים גדול (למשל, ImageNet) ו- Fine-tunes זה למשימה חדשה. MATLAB עושה את התהליך הזה באופן יוצא דופן.

רשת Pre-מוגבלת

(ב) (ב) (ב) (ב) ב[[1924]], [[1924]], [[1924]], [[1924]]]], [[1924]], [[1924]]]], [[1924]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]], [[1924]]]]]], [[1924]], [[1924]], [[1924]], [[1924]], [[1924]], [[1924]]]]]]]], [[1924]], [[1924]], [[1924]] ו[[1924]], [[1924]], [[1924]], [[1924]], [[1924]], [[1924]]]]]]]]]]]]

שינוי הרשת עבור משימה אישית

השכבות הסופיות של רשת מאומנים מראש נועדו ל- 1000-class ImageNet סיווג כדי להתאים אותה למספר השיעורים שלך (למשל, 5), אתה מחליף את השכבה המחוברת במלואה ואת שכבת הסיווג:

lgraph = layerGraph(net);
newLayers = [
 fullyConnectedLayer(numClasses, 'Name', 'fc_new', 'WeightLearnRateFactor', 10, 'BiasLearnRateFactor', 10)
 softmaxLayer('Name', 'softmax_new')
 classificationLayer('Name', 'classoutput_new')
];
lgraph = replaceLayer(lgraph, 'fc1000', newLayers(1));
lgraph = replaceLayer(lgraph, 'fc1000_softmax', newLayers(2));
lgraph = replaceLayer(lgraph, 'ClassificationLayer_fc1000', newLayers(3));

כוונון עדין לעומת מיצוי

שתי אסטרטגיות נפוצות:

  • (FLT:0) מיצוי חומרים (FLT:1): להקפיא את השכבות הראשונות (הגילו את שיעור הלמידה שלהם ל-0) ורק להכשיר את שכבות הסיווג החדשות שימושיות כאשר הנתונים החדשים קטנים ודומים להופעת הנתונים המקורית.
  • (FLT:0) כוונון מחדש של 1:1: לאמן את כל השכבות עם שיעור למידה קטן.כדאי כאשר ה-Dataset החדש גדול או שונה משמעותית מ- ImageNet. MATLAB מאפשר לך להגדיר גורמים ל-layer (כפי שמוצג לעיל) לשלוט כמה שכבות להסתגל.

טיפים מעשיים להעברת למידה ב MATLAB

  • תמיד לדרג תמונות בגודל הקלט הצפוי על ידי הרשת המפולגת (למשל, 224x224 עבור ResNet) השתמש ב-FLT:19 כדי להתחדש ביעילות במהלך האימון.
  • השתמש בנתונים אימות כדי לפקח על התאמה יתר; אם רמת הדיוק אימות מוקדם, להפחית את מספר תקופות הכשרה.
  • ניסויים עם ארכיטקטורות אחרות לפני אימון.מודלים Lighter כמו MobileNet מהירים אך פחות מדויקים; מודלים עמוקים יותר כמו ResNet-152 מציעים דיוק גבוה יותר בעלות חישובית.

אימון המגדיר: אפשרויות, היפרפרמטרים, ו ניטור

לאחר שהרשת מוגדרת והנתונים מוכנים, אתם קוראים ל-FLT:20 עם חנות הנתונים, גרף השכבה, ואפשרויות האימונים.

אפשרויות אימון

הפונקציה LT:21 מאפשר לך לשלוט כמעט בכל היבט של אימון:

  • [ה]: [ה] [ה] [ה]] [ה]] [ה]] [ה]] [ה'] [ה']] [ה']], או 'ה', אדם מתאחד מהר יותר לכוונון עדין.
  • (ב) ⁇ :0) ,1=1e-4 עבור אימון עדין, 1e-3 לאימון מאפס.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) [15],0) מקסומפוס (הראשונה ל"ה)" (בראשית כ"ד): מספר עוברים מלאים באמצעות נתוני האימון.
  • (ב) ,0) ,ValidationDataFLT:1: לספק חנות נתונים אימות כדי לפקח על הביצועים בכל תקופה.
  • (ב) ויקרא י"א): "כמה נבואות בין בדיקות אימות.
  • [ה]: [ה], [ה], [ה], [ה], [ה], [ה], [ה], [ה], [ה], [ה],]], [התחילה], היא רואה את המזימה של דיוק ואובדן.
  • (ב) ,0) למדר"ט (ב): "הבא" (ב) "לזרוק את שיעור הלמידה לאחר מספר מסוים של תקופות (למשל, "הזונה").
  • (ב) ⁇ (ב"א): ⁇ (ב) [17]: ⁇ משקל (התחילה)

עקבו אחרי Training Progress

מזימה האימונים של MATLAB מראה גם את הדיוק של הכשרה ואימות / אובדן לאורך זמן.אם דיוק אימות מפסיק שיפור בעוד דיוק האימונים ממשיך, המודל הוא overfitting - שוקל הוספת ירידה, צמצום גודל הרשת, או באמצעות הגדלת יתר.

עצירה מוקדמת ובדיקה

בעוד שלא נבנה ישירות, ניתן ליישם את הפסקת מוקדם באמצעות נכס של אפשרויות הכשרה (FLT:23) לחלופין, להשתמש באפשרות ה-FLT:24 כדי להציל רשתות ביניים כל מספר קבוע של תקופות, להבטיח שלא תאבד התקדמות.

הערכת ביצועי המודל

לאחר אימון, עליך לוודא כי המודל מסדיר היטב נתונים בלתי נראים. MATLAB מספק מספר כלי הערכה.

תמונות מבחן

YPred = classify(net, imdsTest);
YTest = imdsTest.Labels;
accuracy = sum(YPred == YTest) / numel(YTest);

מטריקס קונפוזיה ו- Per-Class Metrics

השתמש ב-FLT:26 כדי לדמיין היכן המודל עושה טעויות.למידת דיוק, זיכרון, ו- F1-score, השתמש:

confMat = confusionmat(YTest, YPred);

לאחר מכן, מדדים תואמים באופן ידני או משתמשים בפלט של ההרחבה של ההרחבה (FLT:29) עם האפשרות להשיג ציונים חיזוי עבור ניתוח ROC.

ROC ו- AUC

עבור סיווג בינארי או תרחישים אחד-vs-all, אתה יכול למיין מקלט פועל תכונת (ROC) עקומות באמצעות עקומות (ROC) באמצעות ההרחבה:30 (זה חשוב במיוחד הדמיה רפואית שבה נושאים ריצוף הסף.

המונחים: take the Model to Production

כוחו של MATLAB משתרע מעבר ל-Prototyping - הוא מציע מסלולים מרובים כדי לפרוס מודלים מאוומנים לתוך יישומים בעולם האמיתי.

יצוא למסגרות אחרות

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,(הופנה ליצוא דומה (ב)

MATLAB Coder ו- GPU Coder

יצירת קוד C / C++ של רשת המוכשרת שלך באמצעות MATLAB Coder.זה אידיאלי עבור הטמעת מערכי משנה במערכות שולחן העבודה או משובצות מבלי לדרוש זמן ריצה MATLAB. GPU Coder יוצר קוד CUDA עבור NVIDIA GPUs, המאפשרת בזמן אמת בהקצאה בקצה.

MATLAB Compiler ו-הפקה Server

החבילה המסווגת כקובץ סטנד-לקטן או ספרייה משותפת. MATLAB הפקה Server מאפשר לך לפרוס מודלים כמו APIs RESTful שניתן לצרוך על ידי יישומי אינטרנט, יישומים ניידים, או תוכנה ארגונית.

עקבו אחרי Embedd Hardware

עם התמיכה של Deep Learning Toolbox עבור ARM Cortex-A ו- NVIDIA Jetson, באפשרותך לפרוס רשתות ישירות עבור מערכות משובצות. הפונקציה של ARMFLT:32 יכולה ליצור קוד בעל אופי חומרה שמתאים לסביבות מאוישות משאבים.

יישומים אמיתיים ומקריות

מהנדסים וחוקרים השתמשו בתיבת הכלים של MATLAB לצילום תמונות על פני תחומים רבים:

  • (FLT:0Medical הדמיהFLT:1): מסווג צילומי רנטגן לגילוי ריאות, תמונות של קרנות רטינופתיה סוכרתית grading, ואת שלוטופולוגיה שקופיות עבור אבחון סרטן.
  • (ב) ,0) נהגים אוטונומיים (FLT:1): זיהוי סימני תנועה, הולכי רגל וסימון נתיב באמצעות רשתות סלולריות פרוסות על מערכות משובצות כלי רכב.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ממצא: בדיקה חזותית עבור פגמים בקווי ההרכבה, לעתים קרובות עם הקצאה בזמן אמת באמצעות קודר GPU.
  • (ב) ,0) סודיות (סעיף 1: 1): זיהוי פנים וגילוי אובייקטים בצילומי מעקב.

לדוגמה, ראה (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

השוואת MATLAB עם מסגרות למידה אחרות

בעוד MATLAB אינו קוד פתוח, השרשרת הכלים שלה מציעה שילוב שאין דומה למהנדסים שכבר עובדים במערכת האקולוגית MATLAB.עבור צוותים הדורשים פתרונות קוד פתוח, TensorFlow או PyTorch עשויים להיות מועדפים.

  • (ב) ,0) ,Ease of UseofFLT:1: אין צורך לנהל סביבות פייתון, סכסוכים בגרסה או גיהנום תלותי.
  • (ב) אינטגרציה:0 (Simulinkveאינטגרציה) 1: עבור מודלים ברמת המערכת, אתה יכול לשלב בלוקים למידה עמוקים לתוך סימולציות גדולות יותר.
  • (ב) ויקרא:0) בסימן ובעיבוד תמונות: ניתן לכתוב צעדים מוקדמים באותה שפה מבלי לייבא ספריות נוספות.

עבור פרויקטים שבהם שיתוף פעולה עם משתמשים שאינם מ-MATLAB הוא קריטי, יצוא ל- ONNX מבטיח יכולת הדדית.

מלכודות נפוצות וכיצד להימנע מהם

  • (ב) עיין ב[[1924]]: [[1924]]]], [[1924]]]]]], [[1924]]]]
  • (ב) ,0) ,OverfittingofFLT:1: הגדלת הגדלה, להוסיף שכבות ירידה, להפחית את יכולת הרשת, או להשתמש בסדירזציה חזקה יותר.
  • (ב) ,0) ,7 (ב) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) , הקטנת גודל מיני-באט או שימוש במערך של FLT:35 עבור נתונים מחוץ לזיכרון.
  • (ב) ,0) אבחון חוסר איזון מעמדי (FLT:1): תמיד לבדוק את חלוקת התוויות; השתמש בירידה במשקל או במגימה.

נושאים מתקדמים: אימוני Custom Training Loops and Research

עבור חוקרים הדוחקים את המדינה- of-the-art, MATLAB תומך בלולאות אימון מותאם אישית באמצעות אובייקטים FLT:36 ובדל אוטומטי.You יכול ליישם שכבות, אובדן פונקציות, או תהליכי הדרכה (למשל, מטא-learning, אימון אדמירליות).

מסקנה

תיבת הלמידה העמוקה של MATLAB מספקת סביבה רבת עוצמה וידידותית למשתמש לבעיות סיווג תמונות בעיות.מעבר פשוט למידה לאדריכלות מותאמות אישית, תיבת הכלים מפשטת כל צעד תוך שמירה על הגמישות הנדרשת עבור יישומים מתקדמים.שילוב שלה עם מערכת האקולוגית הרחבה של MATLAB - בשילוב עם אפשרויות פריסה מרובות - עושה את זה בחירה מצוינת עבור מחקר אקדמי ופריסה תעשייתית לאחר העבודה הבאה, המתוארת במאמר למידה מלאה של יכולת לרת את התמונה שלך.