Archive for month: אפריל, 2019

גרסת R2019a של כלי MathWorks, אשר שוחררה לפני מספר שבועות, כוללת יכולות חדשות רבות ותיקוני באגים בכלים הקיימים, ואף מספר כלים חדשים (לסקירת יכולות הגרסה – לחצו פה). מבחינת תחום ה-Deep Learning – כמו בגרסה הקודמת (לחצו לסקירה) – גם בגרסה הראשונה לשנת 2019 התחום מקבל פוקוס מיוחד, ופרט לחידושים בכלים הקיימים נוסף גם כלי לתחום ה-Reinforcement Learning, כפי שניתן לקרוא למטה.

 

אז…מה נשתנה בתחום ה-Deep Learning בגרסת R2019a?

להלן החידושים המרכזיים:

1. Reinforcement Learning Toolbox – כלי חדש, לתכנון ואימון policies בעזרת אלגוריתמי Reinforcement Learning, עבור בקרים ומערכות קבלת-החלטה אוטונומיות. למידע נוסף – לחצו פה.
2. שיפור התמיכה במידע 3D – מעל 20 שכבות תומכות כעת בתמונות ב-3D, וגם תהליכי עבודה של Semantic Segmentation יודעים כעת לעבוד עם מידע מסוג זה. לדוגמה בנושא – לחצו פה.
3. בניית/עריכת רשת בצורה גרפית והמרה של התרשים לקוד MATLAB – ל-App המקל על בניית/עריכת רשת בצורה גרפית, ה-Deep Network Designer, נוסף כעת פיצ'ר המאפשר להמיר את התרשים לקוד MATLAB בלחיצת עכבר.

בתמונה – ה-Deep Network Designer

4. גילוי אובייקטים בצורה מהירה באמצעות YOLO – ניתן כעת לאמן גלאי בעזרת YOLO v2 (ולא רק עם Fast RCNN ,RCNN ו-Faster RCNN) ואף להמיר את הגלאי המאומן לקוד CUDA (באמצעות כלי ה-GPU Coder). לסרטון קצר בנושא – לחצו פה.
5. תוספת רשתות מפורסמות אשר ניתנות לטעינה באמצעות שורת קוד אחת – ניתן כעת להשתמש בקלות ב-MobileNet-v2 אשר נחשבת למהירה יחסית על CPU. אפשר גם לטעון את Places365 בצורה קלה (מדובר בגרסה של GoogLeNet שיודעת לסווג תמונות ל-365 קטגוריות שונות של מקומות, כמו "פארק", "לובי" ו"שדה"). בנוסף יש כעת תמיכה ב-Xception. לרשימה המלאה של הרשתות אשר זמינות לשימוש בסביבת MATLAB – ראו בעמודה השמאלית פה.
6. יצירת Custom Layers בעלות מספר קלטים ופלטים – לתיעוד בנושא, לחצו פה.
7. כלי ל-Labeling של אותות – לארסנל כלי ה-Labeling בסביבת MATLAB, אשר עד הגרסה הנוכחית כלל את ה-
   Image Labeler, Video Labeler, Ground Truth Labeler ו-Audio Labeler, נוסף ה-Signal Labeler, המקל על Labeling של אותות לצורך ניתוח ולצורך יישומים של Deep & Machine Learning. את הכלי ניתן להעלות דרך ה-Signal Analyzer. למידע נוסף – לחצו פה.

בתמונה – ה-Signal Labeler

8. סיווג קטעי וידאו וזיהוי מחוות – ניתן כעת לבצע Deep Learning עבור היישומים הללו על ידי שילוב של LSTM עם שכבות קונבולוציה. לדוגמה של סיווג קטעי וידאו בעזרת Deep Learning בסביבת MATLAB – לחצו פה.
9. בדיקות PIL – כלי ה-GPU Coder (בשילוב עם ה-Embedded Coder) מאפשר כעת לבצע וריפיקציה להתנהגות הנומרית של קוד ה-CUDA שנוצר על גבי פלטפורמות של NVIDIA, כמו Jetson TX1, TX2, Xavier, DRIVE PX2. לחצו לדוגמאות לביצוע Processor-in-the-Loop באמצעות שורת הפקודה ובאמצעות ממשק גרפי.

ויש כמובן עוד חידושים עליהם ניתן לקרוא בתיעוד…

 

לסיכום, היכולות החדשות בתחום ה-Deep Learning בסביבת MATLAB יחד עם היכולות שהיו קיימות בכלי בעבר, הופכות את  התוכנה לתוכנה מובילה לתחום ה-Deep Learning, כפי שגם קבעה לאחרונה חברת המחקר והייעוץ בטכנולוגיית המידע Gartner, אשר מייעצת באופן אובייקטיבי ליותר מ-15,000 חברות ברחבי העולם (לחצו למידע נוסף).

 

בין היתרונות של MATLAB בעולם ה-Deep Learning:

• Labeling מהיר ונוח, באמצעות מגוון Apps. מאפשר לסמן bounding boxes בתמונות/וידאו או לבצע תיוג ברמת הפיקסל לצורך סגמנטציה סמנטית ואף לבצע אוטומציה לתהליך וכן לתייג קטעי אודיו ואותות אחרים.
• בניה מהירה של רשת חדשה או עריכה קלה של רשת מוכנה, באמצעות פקודות ו/או ממשק גרפי
• מהירות אימון (ניתן להאיץ את התהליך עוד יותר באמצעות שימוש פשוט ונוח בחומרות נוספות כמו מספר GPUs, חוות מחשבים וענן)
• מהירות Inference
• אפשרות להמיר בצורה אוטומטית את קוד ה-MATLAB לקוד CUDA מהיר וחסכוני בזיכרון לצורך מימוש על מערכות Embedded או לקוד C  עבוד מעבדים של אינטל ופלטפורמות ARM. אם אתם רוצים להתנסות בגרסת בטא של הפיצ’ר המאפשר המרה לקוד עבור FPGA – כתבו למטה.
• אפשרות לייבא לתוך MATLAB  מודלים שפותחו ואומנו בסביבות Deep Learning אחרות ולייצא מודלים מ-MATLAB אליהן, באמצעות פורמט ONNX
• נוחות עבודה – הודות לשימוש בסביבת פיתוח המיועדת למהנדסים ומדענים
• תמיכה מלאה במערכת ההפעלה Windows בנוסף לתמיכה במערכות הפעלה אחרות
• יכולות ויזואליזציה ודיבאגינג– צפיה ב-activations, הצגת Deep Dream Images, צפיה במשקולות, בחינה של התקדמות האימון בכיוון הנכון, תצוגה גרפית של הרשת לצורך איתור בעיות אפשריות לפני ביצוע האימון וכו'…
• תיעוד מקיף וברור ומגוון דוגמאות מוכנות לשימוש, כמיטב המסורת של סביבת  MATLAB
• תמיכה טכנית מקצועית בטלפון 03-7660111 לבעלי רישיון תחת חוזה שירות

 

מה הלאה?

ההשקעה של MathWorks בתחום ה-Deep Learning נמשכת, וצפויים חידושים משמעותיים גם בגרסת R2019b המתוכננת לחודש ספטמבר הקרוב. אם יש יכולות שאתם זקוקים להן והן עדיין לא נכללות בכלים – אתם מוזמנים לכתוב זאת למטה בתגובה ואשמח לבדוק עבורכם האם הן מתוכננות (ובמידה ולא – אעביר אותן לצוות הפיתוח על מנת שישקול לעבוד עליהן).

רוצים להתנסות בעבודה על Deep Learning  בסביבת MATLAB  ללא התחייבות, בזמנכם החופשי, ומבלי להתקין שום דבר על המחשב? אתם מוזמנים לנסות את ה-Hands On Tutorial החינמי באתר MathWorks . לא צריך רישיון ל-MATLAB  בשביל לעבוד איתו, הכל מבוצע דרך הדפדפן. ה-Hands On אמור לקחת לכם כשעתיים, וניתן לעצור אותו בכל שלב ולהמשיך כאשר אתם רוצים. לכניסה – לחצו פה.

לשיחה עם מהנדס מכירות לצורך קבלת מידע נוסף ו/או תיאום פגישת הדגמה – התקשרו לטלפון 03-7660111 או שלחו מייל אליי ל- royf@systematics.co.il.

לצפיה בסיפורי משתמשים ישראלים – לחצו פה או פה.

לצפיה ב-Webinar בעברית ששודר בחודש שעבר – לחצו כאן.

למידע בנוגע לקורס Deep Learning עם MATLAB של יום שלם – לחצו פה.

אתם גם מוזמנים להצטרף לכנס השנתי של חברת סיסטמטיקס, אשר יתקיים ב-26.5.19 במלון הילטון תל אביב, ואשר יעסוק רבות בתחום ה-AI. ההשתתפות בכנס הינה ללא עלות, אך מותנית בהרשמה מראש (לחצו להרשמה).