MATLAB によるディープラーニング

ディープニューラルネットワークのためのデータ準備、設計、シミュレーション、および展開

わずか数行の MATLAB® コードを加えるだけで、ディープラーニングのテクニックを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に適用できます。

MATLAB を使用すると、以下のことを行うことができます。

  • アプリと可視化ツールを使用して、ディープラーニング アーキテクチャを作成、変更、分析します。
  • アプリを使用して、データを前処理し、イメージ、ビデオ、およびオーディオデータの Ground Truth ラベリング を自動化します。
  • 専門的なプログラミング行うことなく、NVIDIA® GPU、クラウド、およびデータセンター リソースのアルゴリズムを高速化できます。
  • TensorFlow、PyTorch、および MxNet などのフレームワークを使用している方とも共同作業が可能です。
  • 強化学習を用いて、動的システムの動作をシミュレーションし、学習させます。
  • MATLAB と Simulink® で作成された物理系モデルの シミュレーションから 学習およびテストデータを生成します。

MATLAB によるディープラーニングの導入事例

Panel Navigation

Shell

セマンティック セグメンテーションを使用して、ハイパースペクトル衛星データの地形認識を行っています。

Panel Navigation

Autoliv

LiDAR にラベルを付けて、レーダーベースの自動運転システムを検証しています。

Panel Navigation

立命館大学

CT 画像で畳み込みニューラルネットワークを学習させて、放射線被曝リスクを低減しています。

画像、時系列、テキストデータの準備とラベル付け

MATLABのオーディオ、ビデオ、画像、テキストデータ用のドメインに特化したアプリを用いると、データセットの前処理とラベル付けに必要な時間を大幅に短縮することができます。異なる時系列を同期し、外れ値を補間値に置き換え、画像のブレを除去し、ノイズ信号をフィルタリングします。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。

モデルの設計、学習、評価

一連のアルゴリズムと学習済みモデルから始めて、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。ドメイン固有の問題にディープラーニング モデルを組み込みます。複雑なネットワーク アーキテクチャを初めから作成する必要はありません。

ネットワークの ハイパーパラメーターの最適化を行うアルゴリズムは大量の計算を必要とします。その計算を高速化するためにParallel Computing Toolbox™と高性能の NVIDIA GPUを用います。。MATLAB の可視化ツールと Grad-CAM やオクルージョン感度などの手法は構築されたモデルの理解を助けます。

合成データのシミュレーションと生成

正確なモデルにはデータが重要です。MATLAB は、該当するシナリオのデータが十分にない場合に、それ以上のデータを生成することができます。たとえば、Unreal Engine® などのゲームエンジンの合成画像を使用して、より多くのエッジケースを組み込みます。敵対的生成ネットワーク (GAN) を使用して、シミュレートされたカスタム画像を作成します。

Simulink から合成データを生成することにより、センサーからデータを取得する前にアルゴリズムをテストします。これは自動運転システムで一般的に用いられるアプローチです。

Python ベースのフレームワークとの統合

MATLAB とオープンソースのフレームワークのどちらか 1 つだけを選択する必要はありません。MATLAB では、ONNX のインポート機能を使用して、どこからでも最新の研究成果にアクセスできます。また、NASNet、SqueezeNet、Inception-v3、ResNet-101 など、学習済みのモデルのライブラリを活用することで、すぐに作業を開始することができます。MATLAB から Python、および Python から MATLAB を呼び出す機能を用いて、オープンソースを使用している同僚と簡単に共同作業をすることができます。

学習済みのネットワークの展開

学習済みのモデルを組み込みシステム、エンタープライズ システム、またはクラウドで展開します。MATLAB は学習済みネットワークのCUDA®コードの自動生成をサポートしており、 Jetson Xavier や Nano を含む最新の NVIDIA GPU をターゲットとした、前処理、後処理用のCUDA®コードの自動生成もサポートしています。

優れたパフォーマンスが必要な場合は、Intel® (MKL-DNN)、NVIDIA (TensorRT、cuDNN)、ARM® (ARM Compute Library) の最適化されたライブラリを活用して、高性能な推論速度をもつ展開可能なモデルを作成するコードを生成できます。

ディープラーニングに関するトピック

Panel Navigation

信号処理

信号と時系列データを取得および解析

Panel Navigation

コンピュータビジョン

画像とビデオを取得、処理、解析

Panel Navigation

強化学習

強化学習ポリシーを定義、学習、展開

今すぐ始める

ディープラーニング入門

無料ハンズオンチュートリアルでディープラーニングを始めましょう。

入門リソースを見る

デモ、対話型の例、無料チュートリアルをご利用ください。

無料評価版を入手する

30 日間の無料評価版はこちら

Deep Learning Toolbox の詳細はこちら

ご質問はこちらへ

ディープラーニングのエキスパートにご質問ください。