深度学习工具箱™ (原神经网络工具箱)™) 提供一个框架,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(CONVNET、CNN)和长短时记忆(LSTM)用于对图像、时间序列和文本数据执行分类和回归的网络。您可以构建高级网络体系结构,如生成性对抗网络(GAN)以及使用自定义训练循环、共享权重和自动区分的暹罗网络。应用程序和绘图可帮助您可视化激活、编辑和分析网络架构以及监控训练进度。
您可以使用TensorFlow交换模型™ 和Pytork通过ONNX™ 从TensorFlow Keras和Caffe格式化和导入模型。工具箱支持使用金宝app图书馆预训练模型(包括NASNet、SqueezeNet、Inception-v3和ResNet-101)。
您可以在单个或多个GPU工作站上加速培训(使用并行计算工具箱)™), 或者扩展到集群和云,包括NVIDIA GPU Cloud DGX系统和Amazon EC2®GPU实例(带有MATLAB®并行服务器™).
学习深入学习工具箱的基础知识
从头开始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
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
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方式培训多个网络
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程
导入、导出和自定义深度学习网络,并自定义层、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®C++代码与深度学习网络的部署
使用浅层神经网络对非线性动态系统进行回归、分类、聚类和建模