深度学习工具箱
设计、训练和分析深度学习网络
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。
你可以交换模型TensorFlow™和PyTorch ONNX格式和导入模型从TensorFlow-Keras和咖啡。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® GPU云和Amazon EC2® GPU实例(MATLAB并行服务器™)。
开始:
卷积神经网络
学习模式图像识别物体,脸,和场景。构建和训练卷积神经网络(cnn)进行特征提取和图像识别。
长期短期记忆网络
学习长期依赖序列数据包括信号、音频、文本和其他时间序列数据。构造和训练短期记忆(LSTM)网络进行分类和回归。
网络体系结构
使用各种网络结构包括有向无环图(DAG)和复发性架构来构建深度学习网络。建立先进的网络架构,如生成对抗网络(甘斯)和暹罗网络使用自定义训练循环,共享重量、自动分化。
设计深度学习网络
从零开始创建和火车深度网络使用深层网络设计师应用。进口pretrained模型,可视化网络结构,编辑图层,调整参数,和培训。
分析深度学习网络
分析你的网络体系结构检测和调试错误,警告,训练前和兼容性问题层。可视化网络拓扑和查看详细信息,比如可学的参数和激活。
管理深度学习的实验
管理多个深度学习实验与实验管理器应用程序。跟踪训练参数,分析结果,比较从不同的实验代码。使用可视化工具,如培训情节和混淆矩阵,排序和过滤实验结果,和自定义指标来评估训练模型。
转移学习
访问pretrained网络和使用它们作为起点学习一个新任务。执行转移学习使用网络学习特性为一个特定的任务。
Pretrained模型
访问pretrained网络从最新研究一行代码。进口pretrained模型包括DarkNet-53 ResNet-50、SqueezeNet NASNet, Inception-v3。
网络激活和可视化
提取激活对应一层、可视化学习特性,使用激活机器学习和训练一个分类器。使用Grad-CAM、阻塞和石灰来解释深入学习网络的分类决策。
ONNX转换器
导入和导出ONNX模型在MATLAB®与其他深度学习框架的互操作性。ONNX使模型能够被训练在一个框架和转移到另一个推论。使用GPU编码器™生成优化的英伟达®CUDA®代码和使用MATLAB编码器™生成c++代码导入的模型。
GPU加速
加快与高性能NVIDIA gpu深度学习培训和推理。对单个工作站GPU执行培训或扩展到多个GPU与帕特系统在数据中心或云。您可以使用MATLAB并行计算工具箱和大多数人的NVIDIA gpu计算能力3.0或更高版本。
模拟
在仿真软件模拟和生成代码深入学习网络金宝app®。使用AlexNet GoogLeNet和其他pretrained模型。你也可以模拟网络从头开始创建或通过转让学习,包括LSTM网络。加快执行贵方的深度学习网络仿真软件使用GPU编码器和NVIDIA GPU。金宝app模拟深度学习网络与控制、信号处理和传感器融合组件来评估你的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的代码,MATLAB编码器和金宝app仿真软件编码器生成C和c++代码部署深入学习网络NVIDIA gpu,英特尔®至强®和手臂®皮质®——一个处理器。交叉编译和部署的自动化生成的代码在NVIDIA杰森™和驱动™平台,和树莓π™董事会。使用深度学习HDL工具箱™原型,并在fpga上实现深度学习网络和出类拔萃
深度学习量化
数字转换你的深度学习网络减少内存使用量和增加推理性能。分析和可视化性能和增加推理精度之间的权衡使用深层网络量化器应用程序。
部署独立的应用程序
使用MATLAB编译器™和MATLAB编译器SDK™部署网络训练c++共享库,微软® 。网络组件,Java® 类和Python® 包从深度学习模型的MATLAB程序。
无监督网络
内找到关系数据,并自动定义分类方案,让浅网络不断调整自己新的输入。使用自组织,无监督网络和自组织映射以及竞争层。
堆叠Autoencoders
执行无监督特征转换,从你的数据集使用autoencoders中提取低维特征。您还可以使用堆叠autoencoders监督学习通过培训和叠加多个编码器。