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。应用程序和图表帮助您可视化激活,编辑网络架构,并监控培训进度。
对于小型训练集,可以使用预先训练的深度网络模型(包括SqueezeNet、inction -v3、ResNet-101、GoogLeNet和VGG-19)和从TensorFlow导入的模型进行迁移学习®-Keras和咖啡。
为了加快在大型数据集上的训练,您可以在桌面的多核处理器和gpu上分布计算和数据(使用并行计算工具箱™),或者扩展到集群和云,包括Amazon EC2®P2, P3和G3的GPU实例MATLAB®分布式计算服务器™).
学习深度学习工具箱的基础知识
从头开始训练卷积神经网络,或者使用预先训练过的网络快速学习新任务
创建和训练时间序列分类、回归和预测任务的网络
绘制训练进度,评估准确性,做出预测,调整训练选项,并可视化网络学习的特征
在本地或云端使用多个gpu扩展深度学习,交互式或批处理作业培训多个网络
利用计算机视觉、图像处理、自动驾驶和信号扩展深度学习工作流
导入和导出网络,并定义自定义深度学习层和数据存储
生成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、分类和聚类
利用浅层网络建立非线性动态系统模型;使用顺序数据进行预测。