Глубокие нейронные сети: решение практических задач

С выходом нового релиза R2019b в сентябре этого года, MATLAB получил значительные обновления продукта Deep Learning Toolbox. Теперь вы можете конструировать (и/или переиспользовать из других фреймворков) любые пользовательские архитектуры и делать это быстрее и эффективнее чем в других популярных фреймворках.

На семинаре мы покажем, как использовать язык технических вычислений MATLAB для создания, настройки, обучения и переноса готовой сети на целевые платформы. Мы «на лету» реализуем такие архитектуры, как GAN, siamese networks, Temporal Convolution Network а также продемонстрируем общий алгоритм для создания и обучения произвольной сети.

Мы рассмотрим преимущества MATLAB с разных сторон.

1. Низкий порог входа. Если вы инженер, то скорее всего уже пользовались MATLAB. А если пользовались MATLAB, то освоение глубоких сетей будет несложным, поскольку есть не только обширная справка по используемым функциям, но и большое количество готовых примеров и обучающих видео.

2. В MATLAB есть различные инструменты для автоматизации рутинных задач:

• Deep Network Designer для быстрого прототипирования собственных архитектур и выявления ошибок в структуре сетей.
• Labeling Apps для автоматизированной разметки большого количества данных.
• Быстрое подключение многих GPU для ускорения обучения. 
• Наличие большого количества предобученных сетей.
• Импорт и экспорт архитектур через ONNX.

3. Применений технологий глубокого обучения к любым данным. MATLAB является стандартом не только в области обработки изображений или статистического/финансового анализа, но также и в области цифровой обработки сигналов, анализа текстовых данных, системах автоматического управления и других дисциплинах. Это значит, что Deep Learning Toolbox будет работать с любыми данными, которыми вы оперирует в MATLAB, что позволит широкому кругу специалистов начать быстро обучать сети для своих прикладных областей.

4. Перенос обученной сети из MATLAB на любую платформу происходит быстро и безболезненно. Будь то сервер, встраиваемый GPU от NVIDIA или ПЛИС. 

5. Рабочий процесс, основанный на глубоких сетях, легко интегрируется в общую рабочую схему, например, систему автоматического управления.

Мы поделимся опытом своего участия в конкурсе ICE Vision и расскажем, как мы достигли хороших результатов, используя эффективные инструменты быстрой отработки различных вариантов решения задачи. На очном этапе соревнований многие участники были удивлены, что MATLAB может так эффективно и быстро решать такие задачи.

Приходите на семинар, мы хотим поделиться нашим опытом для ускорения ваших проектов не только для задач компьютерного зрения, но и в областях, где с успехом применяются технологии глубокого обучения, такие как текстовая аналитика, временные ряды, системы управления, обработка сигнала и многое другое.

Если Вы хотите участвовать в семинаре online укажите это при регистрации в цели посещения.