Deep Learning Toolbox

주요 업데이트

 

Deep Learning Toolbox

딥 러닝 네트워크 생성, 분석 및 학습

 

Deep Learning Toolbox™(이전 Neural Network Toolbox™)는 알고리즘, 사전 학습 모델 및 앱을 사용해 딥 뉴럴 네트워크를 설계 및 구현하는 프레임워크를 제공합니다. 이미지, 시계열 및 텍스트 데이터에 대한 분류 및 회귀 수행을 위해 컨벌루션 뉴럴 네트워크(ConvNet, CNN) 및 장기 단기 메모리(LSTM) 네트워크를 사용할 수 있습니다. 앱과 플롯을 사용해 시각화 활성화, 네트워크 아키텍처 편집 및 학습 진행 모니터링을 할 수 있습니다.

작은 학습 세트의 경우, 사전 학습된 딥 네트워크 모델(SqueezeNet, Inception-v3, ResNet-101, GoogLeNet 및 VGG-19 포함) 및 TensorFlow™-Keras 및 Caffe에서 가져온 모델을 사용하여 전이 학습을 수행할 수 있습니다.

대규모 데이터 세트의 학습을 빠르게 하려면 데스크탑(Parallel Computing Toolbox™ 사용)의 멀티코어 프로세서와 GPU 전체에 대해 계산과 데이터를 배포하거나 Amazon EC2® P2, P3 및 G3 GPU 인스턴스(MATLAB Distributed Computing Server™ 사용)를 포함한 클러스터와 클라우드로 확장할 수 있습니다.

네트워크 및 아키텍처

딥 러닝 네트워크를 이미지, 시계열 및 텍스트 데이터에 대한 분류, 회귀 및 특징 학습에 대해 학습시키려면 Deep Learning Toolbox를 사용합니다.

컨벌루션 뉴럴 네트워크

물체, 얼굴 및 장소 인식을 위해 이미지 내의 패턴 학습. 특징 추출 및 이미지 인식을 수행하기 위해 컨벌루션 뉴럴 네트워크(CNN) 구성 및 학습.

LSTM(장기 단기 메모리) 네트워크

신호, 오디오, 텍스트 및 다른 시계열 데이터를 포함한 순차 데이터에서 장기 종속성 학습. 분류 및 회귀를 수행하기 위해 장기 단기 메모리(LSTM) 네트워크 구성 및 학습. 

LSTM을 사용한 작업.

네트워크 아키텍처

딥 러닝 네트워크를 구축하기 위해 방향성, 방향성 비순환 그래프(DAG) 및 순환 아키텍처와 같은 다양한 네트워크 구조 사용. DAG 아키텍처는 스킵 레이어 또는 병렬로 연결된 레이어 등을 포함한 추가 네트워크 토폴로지를 제공합니다. 

다양한 네트워크 아키텍처를 사용한 작업.

네트워크 설계 및 분석

대화형 앱을 사용한 딥 러닝 네트워크 생성, 편집, 시각화 및 분석. 

딥 러닝 네트워크 설계

Deep Network Designer 앱을 사용하여 처음부터 딥 네트워크 생성. 사전 학습된 모델 가져오기, 네트워크 구조 시각화, 레이어 편집 및 매개변수 조정. 

Deep Network Designer 앱.

딥 러닝 네트워크 분석

학습 전 오류, 경고 및 레이어 호환성 문제를 감지 및 디버깅하기 위한 네트워크 아키텍처 분석. 네트워크 토폴로지 시각화 및 학습 가능한 매개변수와 활성화와 같은 세부 정보 보기.

딥 러닝 네트워크 아키텍처 분석.

전이 학습 및 사전 학습 모델

추론을 위해 MATLAB 안으로 사전 학습 모델 가져오기. 

전이 학습

전이 학습은 딥 러닝 응용 프로그램에서 널리 사용합니다. 사전에 학습된 네트워크를 사용하여 새로운 작업을 위한 시작지점으로 사용하고, 적은 수의 학습 이미지로부터 학습된 특징을 새로운 작업을 위해 빠르게 전이

사전 학습 모델

단 한 줄의 코드를 사용하여 최신 모델에 액세스. AlexNet, GoogLeNet, VGG-16, VGG-19, ResNet-101, Inception-v3 및 SqueezeNet를 포함한 사전 학습 모델 가져오기. 모델의 전체 목록은 사전 학습 모델 참조. 

딥 뉴럴 네트워크 모델 분석.

시각화

딥 러닝 네트워크에서 네트워크 토폴로지, 학습 진행 및 학습한 특징의 활성화 시각화.

네트워크 시각화

레이어와 연결을 사용한 네트워크 토폴로지 시각화. 네트워크 아키텍처를 대화형으로 분석하기 위해 analyzeNetwork 기능을 사용.
 

딥 러닝 네트워크 아키텍처 시각화.

학습 진행

다양한 메트릭의 플롯을 사용하여 모든 반복에 대해 학습 진행 보기. 네트워크 오버피팅 여부 분석을 시각화하기 위해 학습 메트릭에 대해 검증 메트릭 플롯. 

모델의 학습 진행 모니터링.

네트워크 활성화

계층에 대한 활성화 추출, 학습 특징 시각화 및 활성화를 사용한 머신 러닝 분류기 학습. 네트워크 레이어를 강력하게 활성화시키고 학습한 특징을 강조하는 이미지를 합성하여 네트워크 작동을 이해 및 진단하기 위해 deepDreamImage 기능  사용.

활성화 시각화.

프레임워크 상호 운용성

MATLAB에서 딥 러닝 프레임워크와 상호 운용.

ONNX 변환기

다른 딥 러닝 프레임워크와 상호 운용성을 위해 MATLAB® 에서 ONNX 모델 가져오기 및 보내기(글자 크기 확인) . ONNX로 프레임워크 한 곳에서 모델을 학습한 후 추론을 위해 다른 곳으로 전이할 수 있습니다. 

딥 러닝 프레임워크와 상호 운용성.

TensorFlow-Keras 모델 가져오기

importKerasNetwork 기능을 사용하여 추론 및 전이 학습을 위해 TensorFlow-Keras에서 MATLAB 으로 모델 가져오기. 

Caffe 모델 가져오기

importCaffeNetwork 기능을 사용해 추론 및 전이 학습을 위해 Caffe Model Zoo에서 MATLAB 으로 모델 가져오기.

Caffe Model Zoo에서 MATLAB 안으로 모델 가져오기.

학습 가속

GPU, 클라우드 및 분산 컴퓨팅을 사용한 딥 러닝 학습 가속. 

GPU 가속

고성능 NVIDIA® GPU를 사용한 딥 러닝 학습 및 추론 가속. 단일 워크스테이션 GPU에서 학습을 수행하거나 데이터 센터 또는 클라우드에서 DGX 시스템을 사용해 다중 GPU로 확장할 수 있습니다. Parallel Computing Toolbox가 있는 MATLAB  그리고  계산 용량 3.0 이상을 지닌 대부분의 CUDA® 사용 가능 NVIDIA GPU를 사용할 수 있습니다. 

GPU를 사용한 가속.

클라우드 가속

클라우드 인스턴스를 사용한 딥 러닝 학습 가속. 최고의 결과를 위한 고성능 GPU 인스턴스 사용. 

Parallel Computing Toolbox 및 MATLAB Distributed Computing Server 지원.

병렬 및 클라우드에서 딥 러닝 확장.

코드 생성 및 배포

임베디드 시스템에 학습 네트워크 배포 또는 광범위한 제품 환경과 통합.

코드 생성

딥 러닝, 임베디드 비전 및 자율 시스템을 위해 MATLAB 코드에서 최적화 CUDA 코드를 생성하기 위해 GPU Coder™ 사용. Intel® Xeon® 및 ARM® Cortex®-A 프로세서에 딥 러닝 네트워크 배포를 위해 C/C++ 코드 생성에 MATLAB Coder™ 사용.

MATLAB Compiler 지원

MATLAB 프로그램에서 C/C++ 공유 라이브러리, Microsoft® .NET 어셈블리, Java® 클래스 및 Python® 패키지로서 학습 네트워크 배포를 위해 MATLAB Compiler™MATLAB Compiler SDK™ 사용. 배포한 응용 프로그램 또는 구성 요소에서 얕은 네트워크 모델도 학습할 수 있습니다.

MATLAB Compiler를 사용한 독립형 MATLAB 프로그램 공유.

얕은 뉴럴 네트워크

다양한 지도 및 비지도 얕은 뉴럴 네트워크 아키텍처를 지닌 뉴럴 네트워크 사용.

지도 네트워크

동적 시스템 모델링 및 제어, 잡음 데이터 분류 및 미래 사건 예측을 위해 지도 얕은 뉴럴 네트워크 학습. 

얕은 뉴럴 네트워크.

비지도 네트워크

얕은 네트워크를 새로운 입력에 지속적으로 조절하여 데이터 내에서 관계 탐색 및 분류 방법 자동 지정. 자기 조직화, 비지도 네트워크, 경쟁 레이어 및 자기 조직화 지도 사용. 

자기 조직화 지도.

누적형 자동 인코더

자동 인코더를 사용하여 데이터 세트에서 저차원 특징을 추출하여 비지도 특징 변화 수행. 다중 인코더 누적 및 학습을 통해 지도 학습에도 누적형 자동 인코더를 사용할 수 있습니다.

누적형 자동 인코더.

최신 기능

Deep Network Designer

딥 러닝 네트워크 편집 및 구축

ONNX 지원

다른 딥러닝 프레임워크와의 상호 운용성을 위해  ONNX 모델 형식을 사용하여 모델 가져오기 및 내보내기

네트워크 분석기

학습 전 네트워크 아키텍처의 문제 시각화, 분석 및 찾기

TensorFlow-Keras

TensorFlow-Keras에서 LSTM 및 BiLSTM 레이어 가져오기 

장기 단기 메모리(LSTM) 네트워크

LSTM 네트워크를 사용한 회귀 문제 해결 및 양방향 LSTM 레이어를 사용한 전체 시퀀스 컨텍스트에서 학습

딥 러닝 최적화

Adam, RMSProp 및 그레디언트 클리핑을 사용한 네트워크 학습 개선

이러한 특징과 해당 함수에 대한 자세한 내용은 릴리스 정보를 참조하십시오.

딥 러닝용 MATLAB

딥 러닝 네트워크 설계, 구축 및 시각화

질문이 있으신가요?

Shounak Mitra, Deep Learning Toolbox 기술 전문가에게 문의하십시오

무료 평가판 받기

30일 동안 사용해 보세요.

다운로드

구매하기

가격 보기과고 관련 제품을 살펴보세요.

학생이세요?

학생용 MATLAB 및 Simulink를 확인하세요.

자세히 보기