Neuronale Netzwerke

Mathematica 11 führt ein hochperformantes Framework für neuronale Netzwerke ein, welches sowohl Training per Prozessor oder GPU unterstützt. Das Framework kann visuelle Ebenen verarbeiten und enthält außerdem En- und Decoder, die es ermöglichen, trainierte Netzwerke nahtlos mit dem Rest der Wolfram Language interagieren zu lassen. Dabei braucht es nur wenige Zeilen Code, um Netzwerke zu erzeugen und zu trainieren, so dass ein Deep Learning mit neuronalen Netzwerken auch von Anfängern erreicht werden kann.

 

Schlüsselfunktionen

  • Verwenden eines großen Spektrums visueller Ebenentypen zur Implementierung von modernen Computer-Vision-Algorithmen »
  • Definieren von Netzwerktopologien mit mehrfachen Ein- und Ausgaben sowie beliebig gerichtete azyklische Verbindungsstruktur von Graphen »
  • Arbeiten mit Bildern, kategorischen sowie numerischen Ein- und Ausgaben »
  • Definieren von Netzwerken mit mehrfachen Verlustfunktionen für die Durchführung von Multitask-Lernen »
  • Einfaches Bewerten von trainierten Netzwerken durch eine Vielzahl von integrierten Klassifikatoren-Metriken »
  • Training anhand großer Out-of-Core-Bilddatensätze »
  • Training von Netzwerken per Prozessor oder nVidia-GPUs»
  • Optimale GPU-Performance durch Unterstützung der nVidia CUDA Deep Neural Network Bibliothek (cuDNN) »
  • Im- und Export von trainierten Netzwerken als WLNet-Datei »
  • Verwenden von automatischen Schlussfolgerungen von Tensorformen, um prägnante Netzwerkdefinitionen zu schreiben »

Beispiele


Digit Classification »

Unsupervised Learning with Autoencoders »

Object Classification»

Learn a Parameterization of a Manifold »

Learn to Classify Points from Different Clusters »

Out-of-Core Image Classification »

Multi-task Learning »

Use a Validation Set to Minimize Overfitting »

Measure Classification Performance »

Accelerate Training Using a GPU »

Generate Random Images »

Model an Image as a Function »
ID=4326