Matlab深度学习工具箱《工具包》

Matlab深度学习工具箱

作为Deep learning领域的model的重要开发工具，pytorch一直以来倍受广大研究人员的好评。以下附上由ML学习初学者公众号领头人黄海广博士翻译的“60分钟入门深度学习工具-PyTorch”，让大家感受不一样的学习节奏。

深度学习工具箱的额外层，包括： 1. sigmoid 激活层2. 回归输出的softmax激活层3.输入层支持多输入 几个例子来说明如何使用深度学习工具箱和额外的层。

这是我在部署安装torch-geometric的过程中使用到的几个工具包。

使用步骤 1.安装labelme，使用 pip install labelme 命令即可。 2.在labelme环境下输入 labelme命令，打开labelme软件，对图片进行标记，具体方法就是用多边形将所有水体部分圈起来命名为water，并保存文件(json格式)。 3.将main.m文件内fname和imagename改为对应的json文件名和image文件名，之后使用matlab运行main.m文件，稍等片刻，即可看到训练过程，训练结束后可以看到ac率和预测后图像和原始图像的对比。 labelme的GitHub地址： 文件中包含两个测试样例，image1和image2，分别是单通道的遥感水体图像，分辨率为79317301和一个从网上下载的RGB水体图像，分辨率为500333.

什么是MedicalVision？ 基于pytorch的深度学习工具包，用于医学图像分析。 MedicalVision的目标是在火炬上提供轻巧的包装，可以进一步减少开发用于医学图像分析任务（例如分类，配准和分割等）的新算法的时间。 动机与目标 随着深度学习在计算机视觉中的流行，已经提出了许多基于深度学习的作品/体系结构来处理传统医学图像分析任务（分类，注册和分割）。 不幸的是，据我所知，还没有一个基于pytorch的简单有效的工具包能够实现快速原型制作。 在日常工作中，我会为各种医学图像数据集编写DataLoader并重现一些论文中介绍的算法。 为了使生活更轻松，创建了MedicalVision工具包，旨在提供： 著名医学图像数据集的数据加载器 最新模型中使用的常见损失和指标 动物园模型，包括经过培训的最新模型 ... MedicalVision工具箱仍在开发中。 以下流行的深度学习

GARCH工具箱（含多元）、gpml函数工具箱、ICA独立成分分析、K均值聚类函数工具箱1.0、LibSvm函数工具箱、Lyapunov、复杂网络工具箱、混沌工具箱3.0、混沌及时间序列函数程序包3.0、机器人函数工具箱、聚类分析工具箱、卷积神经网络函数工具箱、粒子群优化工具箱、模拟退火工具箱、群体智能算法Matlab工具箱3.0、深度学习(卷积神经网络)函数工具箱3.0、深度学习matlab工具箱、时频函数工具箱、数据降维工具箱、数字图像处理工具箱、随机森林函数工具箱、图论工具箱、网页爬虫函数工具箱、遗传算法工具箱、蚁群算法ants工具箱、支持向量机工具箱1.0

基于LabVIEW可使用opencv DNN模块调用的深度学习工具包，在labview 2018及以上版本64位中下载安装即可使用，无需重新编译opencv，省去苦苦编译却无法通过的痛苦，简单高效且容易上手。

用于图像分类的SqueezeNet预训练模型是R2020a中的“深度学习工具箱”的一部分，不需要单独安装。 如果您使用的是深度学习工具箱的 R2020a 版本，您可以在命令行中键入“squeezenet”或直接访问模型，而无需从 Deep Network Designer App 安装。 如果您使用的是 R2018a 到 R2019b，则需要下载并安装此支持包。 SqueezeNet 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型在超过一百万张图像上进行了训练，可以将图像分为 1000 个对象类别（例如键盘、鼠标、铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开挤压网.mlpkginstall 文件将启动您所拥有的发行版的安装过程。 该mlpkginstall文件可用于R2018a及更高版本。 用法示例： 净 = 挤压网（） 网络层