ディープラーニング アプリケーション
わずか数行の MATLAB コードで、アルゴリズムの設計、データの準備とラベル付け、もしくはコード生成と組み込みシステムへの展開などの作業の有無に関わらず、アプリケーションにディープラーニングを組み込むことができます。
ディープラーニングに MATLAB を使用する理由
MATLAB を使用すると、ディープラーニング モデルから実際の AI (人工知能) 駆動システムへの移行が容易になります。
データの前処理
対話型アプリを用いて、重要な特徴のラベル付け、切り抜き、特定を行うことができます。また、このアプリにはラベル付けを半自動化するアルゴリズムも搭載しています。
モデルの学習および評価
一連のアルゴリズムと事前構築済みのモデルから始めて、ディープ ネットワーク デザイナー アプリによってディープラーニング モデルの作成および変更を行います。
データのシミュレーション
システムレベルの Simulink シミュレーションに含めることで、ディープラーニング モデルのテストを行います。ハードウェアでのテストが困難なエッジケースのシナリオをテストします。ディープラーニング モデルがシステム全体のパフォーマンスにどのような影響を与えるのかを理解します。
学習済みのネットワークの展開
学習済みモデルを組み込みシステム、エンタープライズ システム、FPGA デバイス、またはクラウドに展開します。Intel®、NVIDIA®、および ARM® のライブラリからコードを生成し、高性能な推論速度をもつ展開可能なモデルを作成します。
Python ベースのフレームワークとの統合
MATLAB を使用すると、Tensorflow モデルをインポートしたり、ONNX 機能を使用したりすることで、どこからでも最新の研究にアクセスすることができます。NASNet、SqueezeNet、Inception-v3、ResNet-101 など、事前構築済みのモデルのライブラリを使用して開始することができます。MATLAB から Python を呼び出したり、反対に Python から MATLAB を呼び出したりすることで、オープンソースを使用している同僚と共同作業できるようになります。
