深度学习工具箱
Creación, análisis y entrenamiento de redes de deep learning
深度学习工具箱™(Anteriormente神经网络工具箱™)Proporciona联合国Marco ParaDiseñare Implientar Redes Neuralales Profdricas Con Algoritmos,Modelos PreviaMente Entrenados Y应用程序。Puede Utherizar Redes Neuronales卷轴(Convnet Y CNN)Y Redes de Memoria de Corto-Largo Plazo(LSTM)Para Realizar LaClasificaciónyLaregresiónnniágenes,系列yaterales y datos de texto。ES Posible Crear Arquitecturas de Red Avanzadas,Como Redes GenerativasAntagónicas(Gan)Y Redes Siamesas,Mediante Bucess de Entrenamiento Perserfarados,Pesos Compartidos YDiferenciónApiromática。Las应用程序Y LasGráficasAyudanA Visualizar Activaciones,Editar Y Analizar Arquitecturas de Red Y Supervisar El Progreso del Entrenamiento。
Puede cambiar modelos con TensorFlow™y PyTorch a través del format ONNX e importar modelos de TensorFlow- keras y Caffe。有一个工具箱,我可以把它给你librería.(包括NASNet, SqueezeNet, Inception-v3 y ResNet-101)。
Puede Acelerar El Entrenamiento en UnaEstacióndeTrabajoCon UNA O Varias GPU(Con Parallel Computing Toolbox™)o Ampliar A群Y Nubes,包含Las Instancias de GPU de Nvidia®GPU云Y亚马逊EC2®(CON MATLAB并行服务器TM)。
旅行:
红色神经元convolucionales
请大家在imágenes上仔细观察,看看风景。构建一个完整的连接神经元(CNN),并实现extracción de características和imágenes。
Redes de Memoria de Corto-Largo Plazo
Lleve a Cabo El Apenizaje de Depencias de Corto-Largo Plazo en Datos Secuenciales,包含Datos deSeñales,音频,Texto Y de Otras系列临时。Cree Y entrene Redes de Memoria de Corto-Largo Plazo(LSTM)Para Realizar Tareas deClasificaciónyregresión。
Arquitecturas de红
利用Diversas Estructuras de Red,Como GrafoAcíclicoDirigido(DAG)Y Arquitecturas复发器,Para Crear Su Red de Dee Dee Deave学习。Cree Arquitecturas de Red Avanzadas,Como Redes GenerativasAntagónicas(Gan)Y Redes Siamesas Mediante Bucess de Entrenamiento Perserfarizos,Pesos Compartidos YDiferenciónApiromática。
Diseño de redes de deep learning
Cree Una Red Profunda Desde Cero Con La App Deep网络设计师。Importe Un Modelo Previamente Entrenado,Visualice La Estructura de Red,Edite Las Capas Y Ajuste LosParámetros。
Análisisde Redes De Dee Learning
Analue La Arquitectura de Su Red Para探测器Y Depurar Earter,Advertencias Y Qualitace De Compatibilidad de Capas Antes Del Rentrenamiento。Visualice LaTopologíade la Red Y VEA Detalles Como LosParámetrosQue Se Pueden Aprender Y Las Activaciones。
Transforcenia del Aprendizaje.
Acceda A redese entrenadasyulerícelascomo punto de partida para apuner una nueva tarea,y transfierarápidamentelas funcionicalades aprendidas a Una nueva tarea ultizando menosimágenesde entrenamiento。
莫德罗previamente entrenados
Acceda A LAS Redes PreviaMente EntrenadasMás返回PartrineLaInvestigaciónConUnaSolaLíneadeCódigo。IMPORTE.Modelos PreviaMente entrenados,包含的Inception-V3,Screezenet,NASNet Y Googlenet。
progreso del entrenamiento
VEA EL PROGRESO DEL RENRENAMIENTO en CADAITERACIONONCONGRÁFICASDEVERSASMétricas。代表GráficamenteLasMétricasDevalidAciónConeaA A The A A LASMétricasDeNerrenamientoPara Comprobar de Forma Visual Si La Red Tiene Sobreajuste O No。
Activaciones de红
这是机器学习的一个重要组成部分,它是机器学习的重要组成部分。利用gradi - cam为qué提供一个关于深度学习的信息,并将其用于clasificación。
Conversor de ONNX
导入和导出模型ONNX en MATLAB®Para Permicir La Interoperabilidad Con Otros Marcos de Deep Learning。ONNX渗透阙LOS MOLDOS SE SE enrrenen en Marco Y Luego SE Transfieran A OTRO Para La Ingerencia。用途GPU编码器™para generar código CUDA optimizado yMatlab Coder™c++的代码:para el modelo del importador。
Importador de咖啡
Importe Modelos Desde Caffe Model动物园A Matlab Para Tareas de Ingrescia Y TranceCenia del Aprendizaje。
Aceleracion GPU运动
这是一种基于GPU和NVIDIA的深度学习的推理。请在我们的设备上安装一个GPU (estación de trabajo o amplíe),并在我们的设备上安装一个GPU (DGX)。Puede利用MATLAB con并行计算工具箱y lamayoríade gpu nvidia habilitadas para cuda®初步CavaIdaddeCálculo3.0 o优越。
Aceleraciónenlanube
Reduzca Los Tiempos de Entrenamiento de Deep Learning Con Instancias en La Nube。ilitue instancias de gpu de alto rendimiento para obener los mejores结果。
cálculodistribuido
本文介绍了一种基于MATLAB并行服务器的深度学习方法。
despliegue de aplicaciones独立性
用途Matlab Compiler™yMATLAB编译器SDK™Para Desplar Redes Entrenadas ComoLibríasasC++ Compartidas,ensamblados Microsoft®.NET, Java类®y paquetes de python®DESDE PROGRAMAS DE MATLAB COM MODEMOS DE DEAD学习。
红色supervisadas
entrene redes neuralales superficiales superisadas para modelar y Contricar sistemasdinámicos,Clasificar Datos Con Ruido Y Predecir Eventos Futuro。
redes没有超级adas
地点关系在los datos中定义形式automática los esquemas de clasificación要把表面的连续性调整到función de las entradas nuevas。Utilice redes con organización automática y sin supervisión, así como capas competitivas y mapas con organización automática。
Autocodificadores apilados
RealicoTransformacióndeFuncionalades没有Supervisada ATravésdeLefraccióndefuncionaldadesde BajaWidevióndeSusjuntosde Datos Mediante Autocodicificodores。TambiénPuede公共利用AutoCodificAtores Apilados Para El Aprendizaje Superisado ATravésdel entrenamiento y el apilamiento de Varios Codificifices。
Flexibilidad de entrenamiento
Entrene arquitecturas de red avanzadas mediante bucles de personalizados, diferenciación automática, pesos comppartidos y funciones de pérdida personalizadas。
redes de深度学习
Cree redes generativas antagónicas (GAN), redes siamesas, autocodificadores variacionales y redes de atención。
Preprocesamiento de拿督
珍文el rendimiento del entrenamiento con diversasopoiones deircormenizacióndeatos。
Visualización.
我们可以在activación的意义上,在oclusión的意义上,从中选择。
多输入多输出(MIMO)
你可以把它当作你的礼物。
Redes de Memoria de Corto-Largo Plazo(LSTM)
计算Las Activaciones de las Capas介质。
Soporte对位ONNX
expoore redes que combinan capas cnn / lstm y redes que包含queyen cnn 3d Al Formato Onnx。
Consulte拉斯维加斯Notas de laVersiónPara Obener Detales Sobre estas Funcionicalades Y LAS Funciones Electorees。
MATLAB para深度学习
Diseño,CreaciónyVisualizacióndededesde Dee Learning
如果这个preguntas ?
Póngaseen相关联Con Shounak Mitra,ExpertoTécnicode Deep Learn学习工具箱