深度学习工具箱
设计、训练和分析深度学习网络
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。工具箱支持使用DarkN金宝appet-53、ResNet-50、NASNet、SqueezeNet和许多其他预训练模型进行迁移学习。
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(与MATLAB并行服务器™)。
开始:
卷积神经网络
学习图像模式来识别物体、面孔和场景。构造和训练卷积神经网络(CNNs)进行特征提取和图像识别。
长短时记忆网络
在序列数据中学习长期依赖关系,包括信号,音频,文本和其他时间序列数据。构建和培训长期内存(LSTM)网络以执行分类和回归。
网络架构
使用各种网络结构,包括有向无环图(DAG)和循环架构来构建你的深度学习网络。使用自定义训练循环、共享权值和自动区分,构建生成对抗网络(GANs)和暹罗网络等高级网络架构。
设计深层学习网络
使用Deep Network Designer应用程序从头开始创建和培训深度网络。导入备用模型,可视化网络结构,编辑图层,调谐参数和火车。
深度学习网络分析
分析您的网络架构,以检测和调试错误、警告和层兼容性问题之前的培训。可视化网络拓扑,并查看详细信息,如可学习的参数和激活。
管理深度学习实验
使用experimental Manager app管理多个深度学习实验。跟踪训练参数,分析结果,比较不同实验的代码。使用可视化工具,如训练图和混淆矩阵,排序和过滤实验结果,并定义自定义度量来评估训练模型。
转移学习
访问预先训练过的网络,并把它们作为学习新任务的起点。进行迁移学习,利用学习到的网络特征完成特定的任务。
佩带的模型
使用一行代码访问最新研究中预先训练好的网络。导入预先训练的模型,包括DarkNet-53、ResNet-50、SqueezeNet、NASNet和Inception-v3。
网络激活和可视化
提取一个层对应的激活,可视化学习的特征,并使用激活训练机器学习分类器。使用Grad-CAM、occlusion和LIME来解释深度学习网络的分类决策。
ONNX转换器
MATLAB中的导入和导出ONNX模型®用于与其他深度学习框架的互操作性。ONNX允许在一个框架中对模型进行训练,并将其转移到另一个框架中进行推理。使用GPU编码器™生成优化的NVIDIA®CUDA®代码和使用MATLAB编码器™为导入的模型生成c++代码。
GPU加速
使用高性能NVIDIA gpu加速深度学习训练和推理。使用数据中心或云上的DGX系统在单个工作站GPU上进行培训,或将其扩展到多个GPU。你可以用MATLAB并行计算工具箱以及大多数支持cuda的NVIDIA图形处理器计算能力3.0及以上.
云加速
使用云实例减少深度学习训练时间。使用高性能GPU实例获得最佳效果。
模拟
在Simulink中模拟并生成深度学习网络的代码金宝app®.使用AlexNet, googleet和其他预先训练的模型。您还可以模拟从头创建或通过传输学习创建的网络,包括LSTM网络。使用GPU Coder和NVIDIA GPU加速在Simulink中执行深度学习网络。金宝app利用控制、信号处理和传感器融合组件模拟深度学习网络,以评估深度学习模型对系统级性能的影响。
代码生成
使用GPU编码器生成优化的CUDA代码,Matlab编码器和金宝app仿真软件编码器生成C和C ++代码将深度学习网络部署到NVIDIA GPU,英特尔®至强®和手臂®皮质®——一个处理器。在NVIDIA Jetson™和DRIVE™平台以及Raspberry Pi™板上自动交叉编译和部署生成的代码。使用深度学习HDL工具箱™原型和实施FPGA和SOC的深度学习网络
深度学习量化
量化您的深度学习网络以降低内存使用率并提高推理性能。使用Deep Network Standizer应用程序分析和可视化性能和推理准确性之间的折衷。
部署独立应用程序
使用MATLAB编译器™和MATLAB编译器SDK™将训练有素的网络部署为c++共享库,微软® 。网络组件,Java® classes, and Python® 软件包来自MATLAB程序与深度学习模型。
无监督网络
通过让浅层网络不断调整自身以适应新的输入,找到数据内部的关系并自动定义分类方案。使用自组织、无监督的网络以及竞争层和自组织地图。
堆叠Autoencoders
通过使用AutoEncoders从数据集中提取低维功能来执行无监督的功能转换。您还可以通过培训和堆叠多个编码器使用堆叠的AutoEncoders进行监督学习。
图像分类和网络预测块
在Simulink中模拟并生成深度学习模型的代码金宝app
实验经理应用程序
并行训练多个深度学习网络,使用贝叶斯优化优化超参数
深层网络设计师App
训练网络用于图像分类、语义分割、多输入、内存不足、图像到图像回归和其他工作流。
多层感知器网络
列车网络与数字特征输入表和特征输入结合图像输入。
自定义训练循环
自动创建和预处理小批数据。
看到发布说明有关这些功能的详细信息和相应的功能。
Matlab深入学习
只需几行MATLAB代码,您就可以将深度学习技术应用到您的工作中,无论您是设计算法、准备和标记数据,还是生成代码并部署到嵌入式系统。