开始使用深度学习工具箱

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和许多其他工具进行迁移学习pretrained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MATLAB^®并行服务器™)．

致谢

教程

开始与深层网络设计师
这个例子展示了如何微调一个预先训练好的GoogLeNet网络来分类一个新的图像集合。
尝试深度学习在10行MATLAB代码
学习如何使用深度学习来识别对象与AlexNet预训练网络直播摄像头。
利用预训练网络对图像进行分类
这个例子展示了如何使用预先训练的深度卷积神经网络GoogLeNet对图像进行分类。
开始迁移学习
这个例子展示了如何使用迁移学习来重新训练SqueezeNet，一个预先训练的卷积神经网络，对一组新的图像进行分类。
创建简单的图像分类网络
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。
使用深度网络设计器创建简单的序列分类网络
这个例子展示了如何使用Deep network Designer创建一个简单的长短期记忆(LSTM)分类网络。

肤浅的网络

模式识别、聚类和时间序列的浅网络
利用应用程序和函数设计浅层神经网络，用于函数拟合、模式识别、聚类和时间序列分析。

特色的例子

使用深度学习分类摄像头图像

使用预先训练的深度卷积神经网络GoogLeNet对来自网络摄像头的图像进行实时分类。

打开脚本

训练深度学习网络对新图像进行分类

使用迁移学习来重新训练卷积神经网络对一组新的图像进行分类。

打开生活的脚本

基于深度学习的时间序列预测

使用长短期记忆(LSTM)网络预测时间序列数据。

打开生活的脚本

在线学习

深度学习斜坡弯道
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。

视频

交互式修改用于迁移学习的深度学习网络
深度网络设计器是一个指向和点击的工具，创建或修改深度神经网络。这个视频展示了如何在迁移学习工作流中使用应用程序。它演示了使用工具修改导入网络中的最后几个层，而不是在命令行中修改层的简单性。您可以使用网络分析器检查修改后的体系结构中连接和属性分配中的错误。