Introduction
類神經網路工具箱™提供演算法,預訓練模型和應用程式(APP)來建立,訓練,視覺化及模擬淺層和深層神經網路。您可以執行分類,迴歸,分群,降維處理,時間序列預測和動態系統建模與控制。
深度學習網路包括卷積神經網絡(ConvNets,CNN),有向非循環圖(DAG)網絡拓撲與自動編碼器(autoencoders),用於圖片分類,迴歸和特徵學習。對於時間序列分類和預測,此工具箱提供長短期記憶(LSTM)深度學習網路。您可針對中間層進行視覺化和活化,修改網路架構和監控訓練進度。
針對小型的訓練資料集,您可以使用遷移式學習,使用預訓練的深層網路模型(GoogLeNet,AlexNet,VGG-16和VGG-19)以及Caffe Model Zoo模型來快速應用深度學習。
為加快對大型資料集的訓練速度,您可透過電腦上的多核心處理器和GPUs(搭配平行運算工具箱使用)分配運算任務和數據,或者擴展到叢集和雲端,像是AmazonEC2®P2 GPU instances(搭配MATLAB分散式運算引擎使用)。
本工具箱使用需搭配MATLAB。 建議搭配Simulink, Parallel Computing Toolbox。
Key Features
提供GUI介面產生、訓練或是模擬類神經網路
提供快速的初始精靈進行契合、系統辨識和群組化
支援目前廣泛使用的監督式或是非監督式類神經網路
提供廣泛的訓練及學習函式
提供時間延遲的、非線性自回歸、層迴圈的和自訂動態的動態學習網路
提供Simulink的類神經網路模塊組
支援從類神經網路物件自動生成Simulink模組
模組化的的類網路表示方法提供無限制數量的輸入設定層、網路互連和網路結構的圖形顯示
提供前處理及後處理函式改善類神經網路訓練及效能
提供視覺化函式更容易瞭解類神經網路之效能和檢視訓練過程
搭配使用Parallel Computing Toolbox(平行運算工具箱),可進行更快速的訓練及大量的資料數據處理
2016a版本後,您現在可利用Parallel Computing Toolbox™(平行運算工具箱) 中的 GPU 來加速使用卷積神經網路 (convolutional neural networks -CNNs)之深度學習(Deep learning)進行影像分類任務。
R2017a:
新增迴歸式卷積神經網路訓練 (convolutional neural network, CNN)的深度學習演算法, 您現在可在個人電腦、叢集電腦以及雲端利用多個 GPU 執行訓練。
新增了深度學習特徵視覺化的功能--使用者可利用影像最佳化的技術,視覺化卷積神經網路 (convolutional neural network, CNN)模型所產出的特徵結果。
新增權重轉移函式(transferring weights functions)—可將預先訓練好的 CNN 模型(包含AlexNet、VGG-16 和 VGG-19)和 Caffe Model Zoo所提供的模型轉移至MATLAB做使用
R2017b:
使用卷積神經網路(CNN),長短期記憶(LSTM)網路(用於時間序列分類)和自動編碼器(用於特徵學習)進行深度學習。
採用複雜架構¬–有向非循環圖(DAG)網路進行深度學習。
使用預先訓練的CNN模型(GoogLeNet,AlexNet,vgg16,vgg19)和來自Caffe Model Zoo的模型進行轉移學習
在電腦上使用CPUs或多個GPU,叢集和雲端(包括AmazonEC2®P2)進行訓練和預測。
非監督式學習演算法,包括自組織映像和競爭層
監督式學習演算法,包括多層,徑向基底,學習式向量量化(LVQ),時間延遲,非線性自我迴歸(NARX)和遞迴類神經網路(RNN)
備有資料擬合,模式辨別和集群的應用程式(APP)。