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层神经网络提供了框架。可以使用卷积神经网络(ConvNets,CNNs)和长期短期记忆(LSTM)网络对图像、时间序列和文本数据执行分类和回归。可以使用自动区分、自定义训练循环和共享权重构建网络体系结构,如生成性对抗网络(GANs)和连体网络。使用Deep Network Designer应用程序,您可以以图形方式设计、分析和训练网络。“实验管理器”应用程序可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。您可以可视化图层激活并以图形方式监视培训进度。
可以用TensorFlow交换模型™ 还有火把穿过ONNX™ 格式化并从TensorFlow Keras和Caffe导入模型。工具箱支持使用DarkNet-53、ResNet-50、NASNet、squezenet和许多其他工具进行转移学习金宝app预训练模型.
您可以在一个或多个GPU工作站上加速培训(使用并行计算工具箱™),或缩放到群集和云,包括NVIDIA® GPU云和Amazon EC2® GPU实例(带有MATLAB软件®并行服务器™).
学习深度学习工具箱的基础知识
从头训练卷积神经网络或使用预训练网络快速学习新任务
为时间序列分类、回归和预测任务创建和训练网络
管理实验、绘制训练进度、评估准确性、进行预测、调整训练选项并可视化网络学习到的功能
在本地或云中使用多个GPU扩展深度学习,并以交互方式或批量作业培训多个网络
通过计算机视觉、图像处理、自动驾驶、信号和音频扩展深度学习工作流
导入、导出和自定义深度学习网络,以及自定义层、训练循环和丢失功能
深度学习数据的管理与预处理
生成MATLAB代码或CUDA®C++代码与深度学习网络的部署
使用浅层神经网络执行回归、分类、聚类和建模非线性动态系统