深度学习工具箱

设计、培训和分析深度学习网络

深度学习工具箱™为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提供了框架。您可以使用卷积神经网络(ConvNets、CNNs)和长短时记忆(LSTM)网络对图像、时间序列和文本数据进行分类和回归。您可以使用自动分化、自定义训练循环和共享权重来构建网络架构,如生成式对抗网络(GANs)和暹罗网络。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app可以帮助你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。您可以可视化层激活并图形化地监视培训进度。

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。工具箱支持传输学习与Da金宝apprkNet-53, ResNet-50, NASNet, SqueezeNet和许多其他pretrained模型

您可以在单gpu或多gpu工作站(使用并行计算工具箱™)上加速训练,或者扩展到集群和云,包括NVIDIA® GPU云和Amazon EC2® (GPU实例MATLAB®并行服务器™)。

开始

学习深度学习工具箱的基础知识

图像深度学习

从零开始训练卷积神经网络,或者使用预先训练好的网络快速学习新任务

深度学习时间序列,序列,和文本

为时间序列分类、回归和预测任务创建和训练网络

深度学习调优和可视化

管理实验,规划训练进度,评估准确性,做出预测,调整训练选项,并将网络学习到的特征可视化

深度学习并行化和云端化

使用本地或云中的多个gpu扩展深度学习,以交互方式或批处理方式培训多个网络

深度学习的应用

利用计算机视觉、图像处理、自动驾驶、信号和音频扩展深度学习工作流程

深度学习导入、导出和定制

导入、导出和定制深度学习网络,以及定制层、培训循环和损失功能

深度学习数据预处理

为深度学习管理和预处理数据

深度学习代码生成

生成MATLAB代码或CUDA®以及c++编程和部署深度学习网络

函数逼近、聚类和控制

使用浅神经网络进行非线性动态系统的回归、分类、聚类和建模