Deep Learning Toolbox™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, cnn)和长短时记忆网络(LSTM)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重来构建生成对抗网络(GANs)和暹罗网络等网络架构。通过Deep Network Designer应用程序,您可以图形化地设计、分析和训练网络。实验管理程序帮助您管理多个深度学习实验,跟踪训练参数,分析结果,并比较来自不同实验的代码。您可以可视化层激活和图形化监控训练进展。
你可以通过ONNX™格式与TensorFlow™和PyTorch交换模型,并从TensorFlow- keras和Caffe导入模型。该工具箱支持使用Dark金宝appNet-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云和亚马逊EC2®GPU实例(MATLAB®并行服务器™).
学习深度学习工具箱的基础知识
从零开始训练卷积神经网络或使用预先训练的网络快速学习新任务
为时间序列的分类、回归和预测任务创建和训练网络
管理实验、规划训练进度、评估准确性、解释预测、调整训练选项,并将网络学习到的特征可视化
通过本地或云中的多个gpu扩展深度学习,并以交互方式或批量作业训练多个网络
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、导出和定制深度学习网络,定制层次、训练循环和丢失功能
为深度学习管理和预处理数据
生成matlab代码或cuda®和c++代码和部署深度学习网络
使用浅层神经网络进行回归、分类、聚类和建模非线性动态系统