![Show Menu](styles/mobile-menu.png)
![Page Background](./../common/page-substrates/page0075.jpg)
trainNetwork
האימון באמצעות הפקודה
Parallel Computing
(מצריך גם את כלי ה-
CUDA
וכן כרטיס מסך תומך
Toolbox
Compute
Capability
בעל
nVIDIA
תוצרת
ומעלה), ולצאת להפסקת קפה...
3.0
של
גילוי אובייקטים בשיטת
R-CNN
, או בקיצור
Regions
Proposal
+
CNN
, זו שיטה לגילוי אובייקטים
R
-
CNN
-
כדי לסווג אזורים
CNN
שמשתמשת ב-
בתמונות. באופן כללי - האלגוריתם, בשלב
הראשון, מציע כל מיני אזורים מעניינים
בתמונה. בשלב השני - הוא מכניס כל איזור
מאומן, כדי לחלץ פיצ'רים. ואז
CNN
לתוך
בשלב השלישי - הוא מכניס את הפיצ'רים
של כל איזור למסווג, כדי לקבוע מה יש
בו. ומכיוון שאנו לא מסווגים כל איזור
Sliding
אפשרי (כמו שהיה קורה עם
לדוגמה), אלא נותנים לגלאי לעבד
Window
רק אזורים אשר סביר שיכילו אובייקט
- זה מקטין משמעותית את הסיבוכיות
החישובית.
Computer
נוספה לכלי ה-
R
2016
b
בגרסת
הפקודה
Vision
System
Toolbox
אשר בעזרתה
trainRCNNObjectDetector
ניתן לאמן גלאי אובייקטים בשיטת
(הפקודה מחייבת רישיונות
R
-
CNN
Statistics
and
Machine
Learning
לכלים
Toolbox
,
Parallel
Computing
Toolbox
, וכן כרטיס
Neural
Network
Toolbox
ו-
בעל
nVIDIA
תוצרת
CUDA
מסך תומך
ומעלה או
3.0
של
Compute
Capability
). כמו כן, נוספה
cores
מחשב בעל מספר
אשר פועלת על
detect
לכלי מתודת
bounding
box
הגלאי ומחזירה את ה-
שנותן מדד
1-
ל
0
של האובייקט, ציון בין
למידת הביטחון בגילוי (אפשר להחליט
שמתעלמים מגילויים שהציון שלהם נמוך),
לכל גילוי (שימושי כאשר מנסים
Label
ו-
לגלות מספר אובייקטים - תמרור עצור,
תמרור תן זכות קדימה, תמרור מגבלת
מהירות וכדומה).
אתגרים בעבודה עם
Deep Learning
עבודה בגישת למידה עמוקה יכולה להיות
מספקת
MATLAB
די מאתגרת, וסביבת
סט גדול של כלים ואסטרטגיות אשר נותן
מענה לחלק ניכר מהאתגרים בהם אפשר
להיתקל:
טעינת המידע וניהולו -
באפליקציות מעולם הראיה הממוחשבת,
נדרשים לרוב לטעון ולנהל סטים מאוד
ים שלהם.
Label
גדולים של תמונות, עם ה-
על מנת להתמודד עם המשימה, מומלץ
(מתוך
imageSet
להשתמש בפקודה
), וכן
Computer Vision System Toolbox
ה-
splitEachLabel
להיעזר בפונקציות
MATLAB
אשר נוספו ל-
countEachLabel
ו-
.
R
2016
a
בגרסת
בניה של
סיבוכיות חישובית -
אלגוריתם למידת מכונה יכולה להיות
מאוד תובענית מבחינה חישובית, והרבה
על
GPU
פעמים צריך לדעת כיצד לעבוד עם
מנת להאיץ את תהליכי הלימוד באמצעות
MATLAB
יכולות עיבוד מקביליות. בסביבת
די אינטואיטיבי ולעתים
GPU
השימוש ב-
אפילו "שקוף", כך שלא נדרשת היכרות עם
חומרה זו לצורך קבלת שיפור בזמני הריצה.
MATLAB
סביבת
- Trial and Error
מאפשרת להשתמש באלגוריתמים שונים
אפילו ללא ידע
Deep Learning
מעולם ה-
רב בתחום, ועדיין - לקבל תוצאות
מרשימות. ברוב המקרים לא מצליחים
למצוא פתרון לבעיה "על הניסיון הראשון",
ונדרשלבצעמספראיטרציותעדההתכנסות
מקלה על
MATLAB
לפתרון הנכון. סביבת
ביצוע איטרציות שכאלה, למשל - קל לבחון
Classification
מגוון מסווגים באמצעות ה-
שהוזכר לעיל בהקשר של שימוש
Learner
בתור מחלץ פיצ'רים.
CNN
ב-
אלגוריתמים המכילים מרכיבים
פעמים
נוספים פרט ללמידה עמוקה -
רבות הלמידה העמוקה היא רק חלק
ממשימה גדולה יותר. למשל, באפליקציות
מעולם הראיה הממוחשבת, לפני שמסווגים
מסוים, בכלל צריכים
Label
אובייקט ל-
לאתר אותו, לבצע פעולות עיבוד לתמונה
, כפלטפורמה
MATLAB
וכו'. סביבת
המאגדת עשרות כלים ממגוון תחומי יישום
- מאפשרת לשלב בקלות את מרכיב
הלמידה העמוקה כחלק מהאלגוריתם
הכללי השלם.
לעתים קרובות
הפצת התוצאות -
אינן מבוצעות
Deep
Learning
משימות ה-
רק לשם מחקר, אלא יש רצון לייצר
אלגוריתם עצמאי לאחר בניית המסווג/
MATLAB Compiler
הגלאי. בעזרת כלי ה-/
ניתן לייצר
R
2016
b
, החל מגרסת
SDK
מתוך פונקציונליות הלמידה
EXE
/
DLL
, ולהפעיל את
MATLAB
העמוקה של סביבת
התוצר על מחשבים בהם לא מותקנת
.
MATLAB
תוכנת
אשר מתוכננות לצאת
MATLAB-
בגרסאות ה
צפויים חידושים משמעותיים
2017
בשנת
Deep-
ויכולות חדשות נוספות בתחום ה
Release Notes-
, ניתן להתעדכן ב
Learning
של הכלים הרלוונטיים וליצור קשר עם חברת
סיסטמטיקס לצורך התנסות בכלים.
רועי פן, מהנדס אפליקציה מתמחה
Deep learning
בתחום
IoT
מוסף מיוחד
75 l New-Tech Magazine