Deep Learning Toolbox™提供了一个框架,用于设计和实现带有算法、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生成对抗网络(GANs)和暹罗网络等网络体系结构。通过Deep Network Designer应用程序,您可以设计、分析和培训网络图形。实验管理器app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并以图形方式监控培训进度。
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。工具箱支持与DarkNe金宝appt-53, ResNet-50, NASNet, SqueezeNet和许多其他的迁移学习pretrained模型。
您可以在单个或多个gpu工作站(使用Parallel Computing Toolbox™)加速训练,也可以扩展到集群和云,包括NVIDIA® GPU云和Amazon 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来快速学习新任务
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,做出预测,调整训练选项,并将网络学习到的特征可视化
使用本地或云中的多个gpu扩展深度学习,并以交互方式或批处理作业的方式训练多个网络
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程
导入、导出、自定义深度学习网络,自定义层次、自定义训练循环、自定义损失函数
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
使用浅神经网络进行回归、分类、聚类和建模非线性动态系统