如何快速輕鬆地建立您的深度學習模型?

利用MATLAB®來設計、建立和視覺化深度學習模型

MATLAB & Simulink解決方案 - 機器學習(Machine Learning)與深度學習 (Deep Learning)

深度學習是機器學習一種方式。機器學習涵蓋機率學、統計學、最佳理論、運算與智能等,在於使用演算法來分析資料的實踐和學習,然後對真實事件做出決策或預測。而深度學習則直接從資料來學習任務,它採用了深層的類神經網路結構(Deep Neural Network),來訓練和分析資料特徵,以學習如何自動辨識與分類。

深度學習演算法能夠直接從影像、文字、訊號等資料,以端對端(end-to-end)的形式學習有鑑別度的特徵。當演算法被大量標記的訓練資料集訓練之後,可以用來建立高準確度的分類器。

MATLAB可以讓您的深度學習快速而輕鬆。除了提供許多處理大數據資料的工具及函式外,MATLAB也提供相關機器學習、類神經網路、影像視覺及自動駕駛等等工具模組來協助您進行複雜的深度學習任務。

MATLAB的類神經網路工具箱(Neural Network Toolbox™)支援適用於影像分類的卷積神經網路(Convolutional Neural Network,或稱CNN)訓練模型,與適用於特徵學習任務的深度學習演算法的自動編碼器。

即使不是資料科學專家,您也可以快速建立深度學習模型。

您需要一個預訓練模型(Pretrained Model)?

建立深度模型有幾種方式:一、您可以從頭開始建立自己的模型;或者您也可以透過遷移學習(transfer learning)技術,直接使用預先訓練過的模型,進而訓練出一個所需要的深度學習網路。第三種是特徵萃取(Feature Extraction),較少但針對一些特定的任務,在訓練過程中抽出一些特徵作為機器學習如SVM的輸入資料。大多數人多使用遷移學習來快速進行模型的建立。 MATLAB的類神經網路工具箱提供了幾種最新的預訓練模型,如GoogLeNet, AlexNet, VGG-16, VGG-19等。只要從MATLAB中的Add-On Explorer或MathWorks網站的File Exchange at MATLAB Central下載並安裝,就可以直接在MATLAB使用。

如何下載MATLAB支援的深度學習預訓練模型?

  1. 在MATLAB的Home頁籤下,點選Add-Ons 圖示,開啟Add-on Explorer。
  2. 從Add-on Explorer右上方的搜尋列搜尋”pretrained models”後,選擇欲安裝的模型(以AlexNet為例)。
  3. 按下”Install”按鈕開始安裝。
  4. 安裝完成之後,在MATLAB的Command Window輸入net = alexnet即可呼叫模型來使用。

延伸閱讀:Add-On Explorer使用說明及Add-Ons下載方式

想要試用MATLAB及深度學習模型?

GoogLeNet, AlexNet、VGG-16、VGG-19等深度學習預訓練模型需搭配MATLAB使用,想申請MATLAB試用版?請電洽鈦思科技03-550-5590。

想要了解更多深度學習應用?

 


 

Neural Network Toolbox™ Model for GoogLeNet Network

適用於影像分類的預訓練GoogLeNet網路模型

- 須搭配類神經網路工具箱(Neural Network Toolbox™)及平行運算工具箱(Parallel Computing ToolboxTM)使用

簡介

GoogLeNet為一個從用在ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) 的ImageNet資料庫子集訓練而來的預訓練模型。這個模型以超過一百萬張的圖片訓練而成,有144個層級,並可以將圖片分類到1000個物體種類(例如:鍵盤、滑鼠、鉛筆、及多種動物)。

從您的作業系統或MATLAB裡開啟googlenet.mlpkginstall檔案之後,將自動依您的MATLAB版本啟動安裝流程。本mlpkginstall檔支援R2017b以上之版本。

使用範例

% Access the trained model
net = googlenet;
% See details of the architecture
net.Layers
% Read the image to classify
I = imread('peppers.png');
% Adjust size of the image
sz = net.Layers(1).InputSize
I = I(1:sz(1),1:sz(2),1:sz(3));
% Classify the image using GoogLeNet
label = classify(net, I)
% Show the image and the classification results
figure
imshow(I)
text(10,20,char(label),'Color','white')

 

Neural Network Toolbox Model for AlexNet Network

影像分類的預訓練AlexNet網路模型

- 須搭配類神經網路工具箱(Neural Network Toolbox™)及平行運算工具箱(Parallel Computing Toolbox™)使用
- 建議搭配影像處理工具箱(Image Processing Toolbox™)、電腦視覺工具箱(Computer Vision System Toolbox™)使用”

簡介

AlexNet,是一個卷積神經網路(Convolutional Neural Network,或稱作CNN)的預先訓練模型,它是已經在ImageNet資料集中訓練過約120萬張圖片而成的模型。本模型具備23個層級並且可以將圖片分類至1000種物體類別(例如:鍵盤、滑鼠、馬克杯、鉛筆)。

從您的作業系統或MATLAB裡開啟alexnet.mlpkginstall檔案之後,將自動依您的MATLAB版本啟動安裝流程。

本mlpkginstall檔支援R2016b以上之版本。

使用範例

% Access the trained model
net = alexnet
% See details of the architecture
net.Layers
% Read the image to classify
I = imread('peppers.png');
% Adjust size of the image
sz = net.Layers(1).InputSize
I = I(1:sz(1),1:sz(2),1:sz(3));
% Classify the image using AlexNet
label = classify(net, I)
% Show the image and the classification results
figure
imshow(I)
text(10,20,char(label),'Color','white')

 

Neural Network Toolbox Model for VGG-16 Network

為影像分類預訓練的VGG-16網路模型

- 須搭配類神經網路工具箱(Neural Network Toolbox™)使用

簡介

VGG-16為牛津大學的視覺幾何研究團隊(Visual Geometry Group)預先以ImageNet資料集大約120萬張圖片訓練而成的卷積神經網路(Convolutional Neural Network,或稱作CNN)模型。

本模型具備16個層級,並可以將圖片分類至1000種物體類別(例如:鍵盤、滑鼠、馬克杯、鉛筆)。

從您的作業系統或MATLAB裡開啟vgg16.mlpkginstall檔案之後,將自動依您的MATLAB版本啟動安裝流程。

本mlpkginstall檔支援R2017a以上之版本。

使用範例

% Load the trained model
net = vgg16()
% See details of the architecture
net.Layers
% Read the image to classify
I = imread('peppers.png');
% Adjust size of the image
sz = net.Layers(1).InputSize
I = I(1:sz(1),1:sz(2),1:sz(3));
% Classify the image using VGG-16
label = classify(net, I);
% Show the image and the classification results
figure;
imshow(I)
text(10, 20, char(label),'Color','white')

 

Neural Network Toolbox Model for VGG-19 Network

為影像分類預訓練的VGG-19網路模型

- 須搭配類神經網路工具箱(Neural Network Toolbox™)使用

簡介

VGG-19為牛津大學的視覺幾何研究團隊(Visual Geometry Group)預先以ImageNet資料集大約120萬張圖片訓練而成的卷積神經網路(Convolutional Neural Network,或稱作CNN)模型。

本模型具備19個層級,並可以將圖片分類至1000種物體類別(例如:鍵盤、滑鼠、馬克杯、鉛筆)。

從您的作業系統或MATLAB裡開啟vgg19.mlpkginstall檔案之後,將自動依您的MATLAB版本啟動安裝流程。

本mlpkginstall檔支援R2017a以上之版本。

使用範例

% Load the trained model
net = vgg19()
% See details of the architecture
net.Layers
% Read the image to classify
I = imread('peppers.png');
% Adjust size of the image
sz = net.Layers(1).InputSize
I = I(1:sz(1),1:sz(2),1:sz(3));
% Classify the image using VGG-19
label = classify(net, I);
% Show the image and the classification results
figure;
imshow(I)
text(10, 20, char(label),'Color','white')

什麼是MATLAB Add-Ons?

從R2015b版本開始,MATLAB®新增了Add-On Explore作為取得MATLAB & Simulink® add-ons的工具。透過Add-on Explorer,您可以尋找、安裝、管理MATLAB & Simulink的支援套件。

Add-ons為特定的任務或應用提供額外功能,是MATLAB®的功能擴充,像是連結至硬體裝置、附加的演算法、互動式應用程式。這些Add-on囊括相當廣泛的資源,包含產品、應用程式、支援套件、以及工具箱。Add-ons由MathWorks®及全球各地的MATLAB使用者社群提供。

除了從Add-On Explorer找到合適的add-ons並安裝之外,您也可以開發屬於自己的add-ons,包括應用程式和工具箱。更多關於建立應用程式的資訊,可以參考Package Apps From the MATLAB Toolstrip。關於建立工具箱的資訊,請參考 Create and Share Toolboxes。

將您自己開發的add-ons上傳到File Exchange at MATLAB Central,就可以跟更多的人分享。

如何取得Add-Ons?

為了擴充MATLAB®的功能,以及取得因應特定的任務與應用而提供的支援,您可以在Add-On Explorer找到合適的add-ons並進行安裝。要如何開啟Add-On Explorer呢? 只要到Environment分類下的Home頁籤,點選Add-Ons 圖示就可以開啟。

您可以從Add-On Explorer視窗左側瀏覽各個分類來找到需要的add-ons,或是直接從搜尋列搜尋。

接著按下選定的add-on開啟細節資料頁面,您就可以:

  • 查看該add-on的額外功能,像是其中包含的檔案及可用文件。
  • 安裝add-on。

在add-on安裝完成之後,MATLAB會為您管理MATLAB路徑。因此,不需要調整電腦環境即可開始使用add-on。

注意:在安裝MathWorks®產品的add-on時,會自動進行額外必要產品的安裝。至於其他所有的add-on,需以手動的方式安裝必要的額外產品。

從Add-On Explorer下載、安裝Add-On步驟說明 (影片)

觀看影片

手動安裝Add-On

您還可以手動安裝無法透過Add-On Explorer安裝的add-ons,比如自己建立的個人化add-on或從其他人得到的add-ons。

這時只要在MATLAB Current Folder瀏覽器對著add-on安裝檔點擊兩下,接著開啟的安裝工具會帶領您完成安裝步驟。

有效的安裝檔包括.mltbx檔(工具箱)、.mlappinstall檔(應用程式)、及.mlpkginstall檔(硬體支援套件hardware support packages)。