深度学习工具箱
深度学习——训练者和分析者
Die Deep Learning Toolbox™bietet einen Rahmen für den Entwicklung und Implementierung tiefer neuronaler Netze mit Algorithmen, vortrainierten Modellen and Apps。您可以访问können konvolutionäre neurale (ConvNets, cnn)和LSTM-Netze (Long - term Memory) verwenden, um die Klassifikation and die Regression für图片，Zeitreihen and Textdaten durchzuführen。您可以登录können Netzwerkarchitekturen wie z.B. generated gegnerische Netze (gan) and Siamesische Netze mit automatischer Differenzierung, benutzerdefinerten Trainingsschleifen and gemeinsamen Gewichten aufbauen。Mit der Deep Network Designer-App können Sie Netzwerke grafisch entwerfen, analysieren and trainieren。我的实验经理-应用程序hilft Ihnen，我的深度学习-实验代码，训练参数，分析和代码，实验代码。您可以访问können Ebenenaktivierungen visualisieren und den trainingsforschritt grafisch überwachen。
您可以登录können Modelle im ONNX-Format mit TensorFlow™和PyTorch austauschen sowie Modelle aus TensorFlow- keras和Caffe importieren。Die Toolbox unterstützt das transfer - leren mit DarkNet-53, ResNet-50, NASNet, SqueezeNet and vielen anderen vortrainierten Modellen。
你可以在Einzel-oder Mehrfach GPU工作站beschleunigen（麻省理工学院并行计算工具箱）进行培训™) 乌云密布霍克斯卡利伦，埃因斯克利奇英维迪亚® GPU云和Amazon EC2® GPU-Instanzen (mit MATLAB Parallel Server™)。
现在beginnen:
Konvolutionare neuronale Netze
在Bildern的集合，嗯，Objekte, Gesichter和Szenen zu erkenen。您可以访问konvolutionäre neuronale Netze (cnn) für merkmalsextration and Bilderkennung。
长短期记忆
接下来是信号、音频、文本和音频。学习者和培训者都是长期-短期记忆者，他们都是学习者。
Arbeiten麻省理工学院LSTMs。
Netzarchitekturen
Verwenden Sie verschiedene Netzstrukturen wie gerichtete azyklische Graphen (dag) and rekurrente Architekturen, um Ihr Deep-Learning-Netz zu erstellen。您可以在Netzarchitekturen (gan)和Siamesische Netze中使用生成对抗网络(Generative Adversarial Networks (gan) and Siamesische Netze, indem benutzerdefinierte training - schleifen, geminsame Gewichte and die automatische Differenzierung verwenden)。
Arbeiten mit unterschiedlichen Netzarchitekturen。
深入学习网禅
您可以在Deep Network Designer-App的基础上学习Netz。请您输入模型，并将模型显示出来，再输入模型，再输入模型，再输入参数。
Analysieren冯Deep-Learning-Netzen
请分析Netzarchitektur、um Fehler、Warnungen和问题，以及他们在培训和调试过程中遇到的问题。将网络拓扑和系统详细信息与lernbare参数和Aktivierungen进行可视化。
Analysieren静脉Deep-Learning-Netzarchitektur。
Verwalten在做深度学习实验
您可以在实验-管理-应用程序中使用深度学习-实验。训练参数、分析参数和实验代码。如果您想看我们的训练图，那么您可以选择训练图和训练表，如果您想看我们的训练图和训练表，那么您可以选择我们的训练表和训练表。
Vortainierte模型
Zugriff auf Vortainierte Netze是一个新的代码。重要的Vortainierte模型，einschließlich DarkNet-53，ResNet-50，SqueezeNet，NASNet和Inception-v3。
分析von Vortainierten模型。
Trainingsfortschritt
请您告诉我您在图上的训练内容für verschiedene Metriken an。请您给我一个培训的机会，请您给我一个培训的机会，请您给我一个培训的机会，请您给我一个培训的机会
Überwachen des trainingsforschritts Ihres模型。
Netzaktivierungen
如果你想要更多，请点击gehören，如果你想要更多，请点击Funktionen，如果你想要更多，请点击für。您能给我读研究生吗，我能给您读研究生吗，我能给您读研究生吗，我能给您读研究生吗。
视觉化者von Aktivierungen。
ONNX-Konverter
MATLAB内部模型的输入和输出® ，um die Kompatibilität mit anderen Deep Learning-Frameworks zu gewährleisten。Mit ONNX können Modelle in einem Framework trainiert and dann für die Inferenz in ein anderes übertragen werden。Verwenden Sie den GPU编码器™ ，恩优化NVIDIA®库达®代码是一般的，并且是绝对的MATLAB编码器™c++ Code für das importerte modelell zu generieren。
Interoperabilitat麻省理工学院Deep-Learning-Frameworks。
进口咖啡
如果您想在MATLAB中创建一个模型动物园，那么您可以在für中进行推理和学习迁移。
基于MATLAB的Caffe模型动物园。
贝施勒尼贡GPU
最好是对NVIDIA GPU进行深度学习和推理培训。在工作站durch的einzelnen GPU中，您可以在云计算GPU中使用mit DGX系统。你是科恩吗并行计算工具箱请点击CUDA-fähigen nvidia - gpu mitRechenleistung 3.0 oder höher verwenden．
Beschleunigung麻省理工学院gpu。
Cloud-Beschleunigung
Verringern Sie den Zeitaufwand für das Training für Deep Learning mithilfe von Cloud-Instanzen。Verwenden Sie leistungsstarke GPU-Instanzen für best Ergebnisse。
Beschleunigen des在云计算、并行计算工具箱和MATLAB并行服务器中接受培训。
Hochskalieren von Deep Learning durch Parallelisierung und in der Cloud。
模拟
Simulink中的代码für Deep Learning-Netzwerke金宝app®．您可以通过网络、谷歌网络和培训模型来学习。您可以登录können sowohl Netzwerke simulieren, die völlig neu oderch Transfer Learning erden of LSTM Netzwerke。在Simulink mithilfe的GPU编码器和NVIDIA-Grafikkarten的深度学习- netzwerks。金宝appSimulieren Sie Deep Learning-Netzwerke mit Regelungs-， Signalverarbeitungs- and Sensor-Fusion-Komponenten zur Bewertung der Auswirkungen Ihres Deep learning - models auf die Performance auf Systemebene。
在einem Simulink中实现神经元的faltende Netze金宝app®-法尔斯普伦和法尔泽根模型
Code-Generierung
Verwenden您窝GPU编码器， um aus MATLAB-Code optimierten CUDA-Code für Deep Learning, eingebette Sehen and autonome Systeme zu generieren。Verwenden您窝MATLAB编码器zur Erzeugung von C++代码，深入学习Netze für Intel®至强®和手臂®皮质®-A-Prozessoren bereitzustellen。NVIDIA Jetson™和DRIVE™sowie auf den Boards von Raspberry Pi™。
Quantisierung von Deep Learning
您可以向我们提供深度学习的数据和分析，我们可以向我们提供深度学习的数据和分析，我们可以向我们提供深度学习的数据和分析。
Bereitstellen冯Standalone-Anwendungen
韦文登先生MATLAB编译器™undMATLAB编译器SDK™，嗯，微软的c++图书馆®。net程序集,Java®克拉森和Python®-帕盖特(pakete)是tiefgehenden Lernmodellen bereitzustellen的matlab程序员。
Weitergeben eigenständiger MATLAB- program mit dem MATLAB Compiler。
Uberwachtes Lernen
如果您有神经元，那么您就可以建立一个动态的模型系统和一个模型系统，您可以建立一个动态的模型系统和zukünftige一个动态的模型系统。
基地,神经元Netz。
Unuberwachtes Lernen
您可以将您的数据放在内部，并定义您的自动化设计，我们可以将您的数据放在ständig中，并将您的数据放在过去。Verwenden Sie selbstorganizisierende Netze für unüberwachtes lenen sowie Competitive-Layers and selbstorganizisierende Karten。
塞尔布斯特卡丁车。
Geschichtete Auto-Encoder
Führen Sie eine unüberwachte merkmaltransformation durch, indem Sie niedrigdimensionale Merkmale mithilfe von autoencodern aus Ihrem Datensatz extrhieren。Sie können außerdem geschhtete Auto-Encoder für das überwachte Lernen verwenden, indem Sie mehrere Encoder trainieren and schichten。
Gestapelter编码器。
