深度学习工具箱
深度学习工具箱™提供了一个框架为设计和实现深层神经网络算法,pretrained模型和应用。您可以使用卷积神经网络(回旋网,cnn)和长期短期记忆(LSTM)网络对图像进行分类和回归、时间序列和文本数据。您可以构建网络体系结构如生成对抗网络(甘斯)和暹罗网络使用自动分化、定制培训循环,和共享的权重。与深层网络设计师应用程序,您可以设计,分析和训练网络图形。实验管理器应用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,比较从不同的实验代码。你可以想象层激活和图形化监控培训进展。
可以导入网络和图层图表来自TensorFlow™2, TensorFlow-Keras, PyTorch®,ONNX™(打开神经网络交换)模型格式,和咖啡。您还可以导出深度学习工具箱网络和图形TensorFlow 2层和ONNX模型格式。工具箱支持转移学习Dar金宝appkNet-53 ResNet-50, NASNet SqueezeNet和许多其他pretrained模型。
你可以加快训练在单一或multiple-GPU工作站(并行计算工具箱™),或扩大集群和云,包括NVIDIA®云计算和Amazon EC2 GPU®GPU实例(MATLAB®并行服务器™)。
开始
学习深度学习工具箱的基础知识
应用程序
扩展深度学习工作流与计算机视觉,图像处理,自动驾驶,信号、音频、文本分析和计算
深度学习基础
进口、构建、火车、曲调、可视化验证,出口深层神经网络
图像数据的工作流
使用pretrained网络或从头开始创建和列车网络的图像分类和回归
序列和数字特性数据工作流
创建和训练分类、回归和预测序列图和表格数据的神经网络
并行计算和云
扩大深度学习与多个gpu在本地或在云中和训练多个网络交互或批处理作业
自动分化
定制层深度学习、网络、培训循环,和损失函数
深度学习与仿真软件金宝app
使用仿真软件扩展深度学习工作流程金宝app
代码生成
生成C / c++, CUDA®,或HDL代码和部署深度学习网络
函数逼近、集群和控制
执行回归、分类、聚类,并使用浅神经网络模型非线性动态系统