MATLAB을 이용한 딥러닝

심층 신경망을 위한 데이터 준비, 설계, 시뮬레이션 및 배포

소프트웨어 평가판 신청

Deep Learning Onramp

MATLAB^® 코드 몇 줄만으로 작업에 딥러닝 기법을 적용하여 알고리즘을 설계하고, 데이터 준비 및 레이블을 지정하고, 코드를 생성하여 임베디드 시스템에 배포할 수 있습니다.

MATLAB을 사용하면 다음과 같은 작업을 할 수 있습니다.

앱 및 시각화 툴을 사용하여 딥러닝 아키텍처를 생성하고, 수정하고, 분석합니다.
앱을 사용하여 데이터를 전처리하고 이미지, 비디오, 오디오 데이터의 데이터 레이블 지정 작업을 자동화합니다.
전문적인 프로그래밍 없이 NVIDIA^® GPU, 클라우드 및 데이터센터 리소스에서 알고리즘을 가속화합니다.
TensorFlow, PyTorch 및 MxNet과 같은 프레임워크를 사용하여 동료와 협력합니다.
강화 학습을 통해 동적 시스템 동작을 시뮬레이션하고 학습시킵니다.
물리 시스템의 MATLAB 및 Simulink^® 모델에서 시뮬레이션 기반 학습 및 테스트 데이터를 생성합니다.

딥러닝에 MATLAB을 사용해야 하는 다섯 가지 이유

MATLAB을 사용한 딥러닝 활용 사례

Shell

의미론적 분할을 사용하여 하이퍼 스펙트럼 위성 데이터에서 지형을 인식합니다.

Autoliv

LIDAR에 레이블을 지정하여 레이더 기반 자율주행 시스템을 검증합니다.

Ritsumeikan University

CT 이미지에 대해 컨벌루션 신경망을 학습시켜 방사선 노출 위험을 줄입니다.

이미지, 시계열 데이터 및 텍스트 데이터의 준비 및 레이블 지정

MATLAB은 오디오, 비디오, 이미지, 텍스트 데이터를 위한 분야별 앱을 통해 데이터셋을 전처리하고 레이블을 지정하는 데 소요되는 시간을 대폭 줄여 줍니다. 서로 다른 시계열을 동기화하고, 이상값을 보간 값으로 대체하고, 이미지를 디블러링하고, 노이즈 신호를 필터링할 수 있습니다. 대화식 앱을 사용하여 중요한 특징을 레이블 지정, 자르기 및 식별할 수 있고, 내장 알고리즘을 사용하여 레이블 지정 과정을 자동화할 수 있습니다.

시작하기

고급 기법 사용하기

모델 설계, 학습 및 평가

알고리즘과 미리 빌드된 모델로 시작하고, Deep Network Designer 앱을 사용하여 딥러닝 모델을 만들고 수정하십시오. 복잡한 네트워크 아키텍처를 처음부터 만들지 않아도 분야별 문제를 위한 딥러닝 모델을 적용할 수 있습니다.

각종 기법을 사용하여 최적의 네트워크 하이퍼파라미터를 찾고, Parallel Computing Toolbox™와 고성능 NVIDIA GPU를 사용하여 연산 집약적인 알고리즘을 가속하십시오. MATLAB의 시각화 툴과 Grad-CAM 및 가림 민감도와 같은 기법을 사용하여 모델에 대한 인사이트를 얻을 수 있습니다. Simulink를 사용하여 훈련된 딥러닝 모델이 시스템 수준 성능에 미치는 영향을 평가할 수 있습니다.

시작하기

고급 기법 사용하기

합성 데이터 시뮬레이션 및 생성

정확한 모델을 위해서는 데이터가 무척 중요합니다. 충분한 수의 적절한 센서가 없는 경우에도 MATLAB은 더 많은 데이터를 생성할 수 있습니다. 일례로, Unreal Engine^®과 같은 게이밍 엔진에서 생성된 합성 이미지를 사용하여 더 많은 에지 케이스를 적용할 수 있습니다. 생성적 적대 신경망(GAN)을 사용하여 사용자 지정 시뮬레이션 이미지를 만들 수 있습니다.

Simulink에서 합성 데이터를 생성하여 센서 데이터가 공급되기 전에 알고리즘을 테스트해 볼 수도 있는데, 이는 자율주행 시스템에서 널리 사용되는 방식입니다.

시작하기

Simulink에서의 딥러닝 (3:45)

고급 기법 사용하기

Python 기반 프레임워크와 통합

MATLAB과 오픈 소스 프레임워크 중 하나를 선택할 필요가 없습니다. MATLAB에서는 ONNX 가져오기 기능을 사용하여 어디서나 최신 연구 결과에 액세스할 수 있으며, NASNet, SqueezeNet, Inception-v3, ResNet-101과 같은 미리 빌드된 모델 라이브러리를 사용하여 빠르게 시작할 수도 있습니다. MATLAB에서 Python을 호출하고 Python에서 MATLAB을 호출할 수 있어 오픈 소스를 사용하는 동료들과 쉽게 협력할 수 있습니다.

시작하기

고급 기법 사용하기

학습된 네트워크 배포

훈련된 모델을 임베디드 시스템, 엔터프라이즈 시스템, FGPA 기기 또는 클라우드에 배포할 수 있습니다. MATLAB은 훈련된 신경망에 대한 자동 CUDA^® 코드 생성을 지원하며, 이외에도 최신 NVIDIA GPU에 맞는 전처리 및 후처리를 지원합니다.

성능이 중요한 경우, Intel^®, NVIDIA, ARM^®의 최적화된 라이브러리를 활용하여 코드를 생성함으로써 고성능의 추론 속도로 배포 가능한 모델을 생성할 수 있습니다. 에지 배포의 경우, 사용자는 신경망을 FPGA에 프로토타이핑하고 프로덕션 준비가 된 HDL을 생성하여 어떤 기기에 대해서도 타겟팅할 수 있습니다.