深度学习工具箱
设计、训练和分析深度学习网络
深度学习工具箱™提供了一个框架,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(ConvNets, CNNs)和长短期记忆(LSTM)网络对图像、时间序列和文本数据进行分类和回归。您可以使用自动区分、自定义训练循环和共享权来构建网络架构,如生成式对抗网络(gan)和暹罗网络。有了Deep Network Designer应用程序,你可以图形化地设计、分析和训练网络。实验管理器应用程序可以帮助您管理多个深度学习实验,跟踪训练参数,分析结果,并比较不同实验的代码。您可以可视化层激活和图形监控训练进展。
您可以通过ONNX格式与TensorFlow™和PyTorch交换模型,并从TensorFlow- keras和Caffe导入模型。这个工具箱支持使用Dar金宝appkNet-53、ResNet-50、NASNet、SqueezeNet和许多其他预训练模型进行迁移学习。
您可以在单个或多个GPU工作站上加快培训(并行计算工具箱™),或扩展到集群和云,包括NVIDIA® GPU Cloud and Amazon EC2® GPU instances (with MATLAB Parallel Server™).
开始:
卷积神经网络
学习图像中的模式以识别对象,面部和场景。构建和列车卷积神经网络(CNNS)来执行特征提取和图像识别。
长短期记忆网络
学习序列数据的长期依赖关系,包括信号、音频、文本和其他时间序列数据。构建和训练长短期记忆(LSTM)网络进行分类和回归。
网络体系结构
使用各种网络结构,包括指导的无循环图(DAG)和经常性架构来构建您的深度学习网络。使用自定义培训循环,共享权重和自动差异构建高级网络架构,如生成的对抗网络(GANS)和暹罗网络。
设计深度学习网络
使用deep network Designer应用程序从头开始创建和训练一个深度网络。导入一个预先训练的模型,可视化网络结构,编辑层,调整参数,并训练。
分析深度学习网络
在培训之前,分析您的网络架构,以检测和调试错误、警告和层兼容性问题。可视化网络拓扑,查看可学习参数、激活方式等详细信息。
管理深度学习实验
使用实验管理器app管理多个深度学习实验。跟踪训练参数,分析结果,比较不同实验的代码。使用可视化工具,如训练图和混淆矩阵,排序和过滤实验结果,并定义自定义度量来评估训练模型。
转移学习
访问佩带的网络并使用它们作为学习新任务的起点。执行转移学习以在网络中使用网络中的学习功能进行特定任务。
Pretrained模型
使用单行代码的最新研究访问佩带的网络。导入普试模型,包括DarkNet-53,Reset-50,Screezenet,NASNet和Incepion-V3。
网络激活和可视化
提取对应于一层的激活,可视化学习特征,并使用激活训练机器学习分类器。使用grado - cam、occlusion和LIME来解释深度学习网络的分类决策。
ONNX转换器
在MATLAB中导入和导出ONNX模型®对于与其他深度学习框架的互操作性。ONNX使模型能够在一个框架中接受培训并转移到另一个框架以进行推断。使用GPU编码器™生成优化的NVIDIA®CUDA®代码和使用MATLAB编码器™为导入的模型生成c++代码。
咖啡进口国
将Caffe Model Zoo中的模型导入MATLAB进行推理和迁移学习。
GPU加速
使用高性能NVIDIA gpu加速深度学习训练和推理。在单工作站GPU上进行培训,或者在数据中心或云上使用DGX系统扩展到多个GPU。你可以用MATLAB并行计算工具箱和最支持的CUDA启用的NVIDIA GPU计算能力3.0或更高.
分布式计算
使用MATLABPrilital Server在网络上的多个服务器上跨多个处理器进行深度学习培训。
模拟
模拟和生成Simulink中深度学习网络的代码金宝app®.使用alexnet,googlenet和其他佩带的模型。您还可以模拟从头开始创建的网络或通过传输学习,包括LSTM网络。使用GPU编码器和NVIDIA GPU加快Simulink中的深度学习网络的执行。金宝app使用控制,信号处理和传感器融合组件模拟深度学习网络,以评估深度学习模型对系统级性能的影响。
代码生成
使用GPU编码器生成优化的CUDA代码,MATLAB编码器和金宝app仿真软件编码器生成C和c++代码,将深度学习网络部署到NVIDIA gpu, Intel®Xeon.®和手臂®皮质®——一个处理器。将生成的代码自动交叉编译和部署到NVIDIA Jetson™和DRIVE™平台,以及Raspberry Pi™板上。使用深度学习HDL工具箱™用于在fpga和soc上原型和实现深度学习网络
深度学习量化
量化您的深度学习网络,以减少内存使用和提高推理性能。使用Deep Network Quantizer应用程序分析和可视化提高性能和推理精度之间的权衡。
部署独立的应用程序
使用Matlab Compiler™和MATLAB编译器SDK™将培训的网络部署为C ++共享库,Microsoft® 。网络组件,Java® 类和Python® packages from MATLAB programs with deep learning models.
无监督网络
查找数据中的关系,并通过让浅网络不断调整为新输入来自动定义分类方案。使用自组织,无监督的网络以及竞争层和自组织地图。
堆积的autoencoders.
通过使用自动编码器从数据集中提取低维特征,执行无监督特征转换。你也可以通过训练和堆叠多个编码器来使用堆叠自动编码器进行有监督的学习。