La versión MATLAB 2023 de la caja de herramientas de aprendizaje profundo proporciona una cadena de herramientas completa que le permite modelar, entrenar e implementar aprendizaje profundo en un entorno integrado. En comparación con Python, la sintaxis de MATLAB es concisa y fácil de usar, sin la necesidad de una configuración e instalación engorrosas, lo que le permite implementar tareas de aprendizaje profundo más rápido.
La caja de herramientas de aprendizaje profundo de MATLAB proporciona una gran cantidad de funciones y algoritmos que cubren todo el proceso, desde el preprocesamiento de datos hasta el entrenamiento de modelos. Puede importar y procesar fácilmente conjuntos de datos a gran escala mediante la importación por lotes y funciones de clase Datastore para realizar operaciones de datos de manera eficiente. MATLAB también proporciona un diseñador de redes profundo e intuitivo que le permite crear y personalizar rápidamente estructuras de red sin escribir código tedioso. Al mismo tiempo, la función de trabajo colaborativo de MATLAB y los marcos de aprendizaje profundo como TensorFlow y PyTorch le permiten interactuar de manera flexible con otras plataformas y aprovechar al máximo sus respectivas ventajas. Además, la caja de herramientas de aprendizaje profundo de MATLAB también tiene ventajas sobresalientes en la interpretabilidad del modelo y la visualización de características. Puede tener una comprensión profunda del principio de funcionamiento y el proceso de toma de decisiones del modelo de aprendizaje profundo a través de métodos como la visualización de mapas de características, la visualización del núcleo de convolución y la visualización de activación de categorías. MATLAB también proporciona métodos de interpretabilidad de uso común, como CAM, LIME y GRAD-CAM, para ayudarlo a explicar e interpretar los resultados de predicción del modelo. Estas características brindarán una visión y una comprensión más profundas de sus investigaciones y proyectos.
Capítulo uno
Introducción a las nuevas funciones de MATLAB 2023a Deep Learning Toolbox
- Descripción general de la caja de herramientas de aprendizaje profundo de MATLAB
- Introducción y demostración de las funciones de Live Script y Control Interactivo
- Introducción y demostración de las funciones de importación de big data por lotes y función de almacén de datos
- Introducción y demostración de la función de limpieza de datos.
- Introducción y demostración de las funciones de Deep Network Designer.
- Introducción y demostración de la función Experiment Manager
- Introducción al centro de modelos de aprendizaje profundo de MATLAB
- Introducción y demostración de las funciones de trabajo colaborativo de MATLAB y marcos de aprendizaje profundo como TensorFlow y PyTorch.
- Ejemplos de caja de herramientas de aprendizaje profundo de MATLAB简介
Capítulo 2, Red neuronal convolucional (CNN)
- La diferencia y conexión entre el aprendizaje profundo y el aprendizaje automático tradicional
- Los principios básicos de las redes neuronales convolucionales (¿Qué es un núcleo de convolución? ¿Cuál es la topología típica de CNN? ¿Cuál es el mecanismo de reparto de peso de CNN? ¿Cuáles son las características extraídas por CNN?)
- Las diferencias y conexiones entre LeNet, AlexNet, Vgg-16/19, GoogLeNet, ResNet y otras redes neuronales profundas clásicas.
- Descarga e instalación de modelos previamente entrenados (Alexnet, Vgg-16/19, GoogLeNet, ResNet, etc.)
- Algoritmos de optimización (descenso de gradiente, descenso de gradiente estocástico, descenso de gradiente estocástico de mini lotes, método de impulso, Adam, etc.)
- Habilidades de ajuste de parámetros (inicialización de parámetros, preprocesamiento de datos, amplificación de datos, normalización de lotes, optimización de hiperparámetros, regularización de red, etc.)
7. Explicación del caso: (1) Modelo de preentrenamiento de CNN para lograr el reconocimiento de objetos
(2) Utilice una red neuronal convolucional para extraer características abstractas
(3) Topología de red neuronal convolucional personalizada
(4) El modelo CNN 1D resuelve el problema de predicción de ajuste de regresión
8. Ejercicios prácticos
Capítulo 3, Explicación del modelo y visualización de características
- ¿Qué es la interpretabilidad del modelo? ¿Por qué necesitamos explicar los modelos CNN?
- ¿Cuáles son los métodos de visualización más utilizados (visualización de mapas de características, visualización de núcleos de convolución, visualización de activación de categorías, etc.)?
- Explicación de los principios de CAM (Mapeo de activación de clases), LIME (Explicación agnóstica del modelo interpretable local), GRAD-CAM y otros métodos.
- Explicación del caso
Ejercicios practicos
Capítulo 4, Algoritmo de aprendizaje por transferencia (aprendizaje por transferencia)
1. Principios básicos de los algoritmos de aprendizaje por transferencia (¿Por qué se necesita el aprendizaje por transferencia? ¿Cuál es la idea básica del aprendizaje por transferencia?)
2. Algoritmo de aprendizaje por transferencia basado en un modelo de red neuronal profunda
3. Explicación del caso: migración de modelo basada en el modelo de preentrenamiento de Alexnet
4. Ejercicios prácticos
Capítulo 5, Red neuronal recurrente y red neuronal de memoria a corto plazo (RNN y LSTM)
1. Principios básicos de la red neuronal recurrente (RNN) y la red neuronal de memoria a corto plazo (LSTM)
2. La diferencia y conexión entre RNN y LSTM
3. Explicación del caso:
1) Previsión de series de tiempo
2) Clasificación secuencia-secuencia
4. Ejercicios prácticos
Capítulo 6, Red convolucional temporal (TCN)
1. Principios básicos de la red convolucional temporal (TCN)
2. La diferencia y conexión entre TCN, 1D CNN y LSTM
3. Explicación del caso:
1) Pronóstico de series temporales: pronóstico de la epidemia de COVID-19
2) Clasificación secuencia-secuencia: reconocimiento de la acción humana
4. Ejercicios prácticos
Capítulo 7, Red generativa de confrontación
1. Red generativa adversaria GAN (¿Qué es una red generativa adversaria? ¿Por qué se necesita una red generativa adversaria? ¿Qué puede hacer una red generativa adversaria?)
2. Explicación del caso: generación automática de imágenes de girasol.
3. Ejercicios prácticos
Capítulo 8 , Codificador automático
1. La composición y el principio de funcionamiento básico del codificador automático.
2. Codificadores automáticos clásicos (codificadores automáticos apilados, codificadores automáticos dispersos, codificadores automáticos con eliminación de ruido, codificadores automáticos convolucionales, codificadores automáticos enmascarados, etc.)
3. Explicación del caso: clasificación de imágenes basada en codificador automático
4. Ejercicios prácticos
Capítulo 9, Modelo YOLO de detección de objetivos
1. ¿Qué es la detección de objetivos? ¿Cuáles son las diferencias y conexiones entre la detección de objetivos y el reconocimiento de objetivos? Cómo funciona el modelo YOLO
2. Explicación del caso: (1) Introducción a la función y demostración de la herramienta de etiquetado Image Labeler
(2) Utilice modelos previamente entrenados para lograr la detección de objetivos en tiempo real en imágenes, videos, etc.
(3) Entrene su propio conjunto de datos: reconocimiento del uso de máscaras durante la epidemia de COVID-19
3. Ejercicios prácticos
Capítulo 10, modelo U-Net
1. Introducción a la segmentación semántica
2. Principios básicos del modelo U-Net
3. Explicación del caso: segmentación semántica de imágenes multiespectrales basada en U-Net
Capítulo 11, Discusión y preguntas y respuestas
1. ¿Cómo consultar la literatura? (¿Puedes utilizar Google Scholar, Sci-Hub, ResearchGate? ¿Dónde deberías ir para encontrar los datos y el código que respaldan el artículo?)
2. ¿Cómo perfeccionar y explorar los puntos de innovación? (Si es difícil hacer un trabajo original a nivel de algoritmo, ¿cómo puedes refinar y explorar puntos innovadores basados en tus propios problemas reales?)
3. Compartir y copiar materiales de aprendizaje relevantes (recomendaciones de libros, recomendaciones de cursos en línea, etc.)
4. Establezca un grupo de WeChat para facilitar debates y preguntas y respuestas posteriores.