深度学习工具箱™ 提供一个框架,用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。您可以使用卷积神经网络(CONVNET、CNN)和长短时记忆(LSTM)用于对图像、时间序列和文本数据执行分类和回归的网络。您可以构建网络体系结构,如生成性对抗网络(GAN)以及使用自动区分、自定义训练循环和共享权重的暹罗网络。使用Deep Network Designer应用程序,您可以图形化地设计、分析和训练网络。实验管理器应用程序可帮助您管理多个深度学习实验,跟踪训练参数,分析结果,并比较来自diff的代码不同的实验。你可以可视化图层激活和图形化监控训练进度。
您可以使用TensorFlow交换模型™ 和Pytork通过ONNX™ 从TensorFlow Keras和Caffe格式化和导入模型。工具箱支持使用DarkNet-53、ResNet-50、NASNet、SqueezeNet和许多其他工具进行迁移学习金宝app预训练模型.
您可以在单个或多个gpu工作站(使用并行计算工具箱™)上加速培训,或扩展到集群和云,包括NVIDIA® GPU云和Amazon EC2®GPU实例(带有MATLAB®并行服务器™).
这个例子展示了如何使用Deep Network Designer来调整一个预先训练好的GoogLeNet网络来分类一个新的图像集合。
了解如何使用深度学习在AlexNet预训练网络的实时网络摄像头上识别对象。
这个例子展示了如何使用预训练的深度卷积神经网络GoogLeNet对图像进行分类。
本例展示了如何使用转移学习对预训练卷积神经网络SqueezeNet进行再训练,以对一组新图像进行分类。
这个例子展示了如何创建和训练一个简单的卷积神经网络用于深度学习分类。
这个例子展示了如何使用deep network Designer创建和训练一个简单的卷积神经网络进行深度学习分类。
此示例演示如何使用Deep network Designer创建简单的长短时记忆(LSTM)分类网络。
使用应用程序和函数设计用于函数拟合、模式识别、聚类和时间序列分析的浅层神经网络。
深度学习入门
这个免费的,两个小时的深度学习教程提供了一个交互式的介绍,实际的深度学习方法。您将学习在MATLAB中使用深度学习技术进行图像识别。
交互式修改深度学习网络以进行迁移学习
Deep Network Designer是一个点击式工具,用于创建或修改Deep neural Network。本视频演示了如何在转移学习工作流中使用该应用程序。它演示了使用该工具修改导入网络中的最后几层而不是在命令行中修改层的易用性。您可以检查使用网络分析器修改了连接和属性分配错误的体系结构。
深度学习与MATLAB:深度学习在11行MATLAB代码
看看如何使用MATLAB,一个简单的网络摄像头,和一个深的神经网络来识别你周围的物体。
使用MATLAB进行深度学习:在10行MATLAB代码中进行迁移学习
学如何使用转帐学习在MATLAB中重新训练深的学习由专家为您自己的数据或任务创建的网络。