MATLAB中的深度学习框架包括一个完整的工作流，以帮助您快速入门，识别问题，并节省时间。

无论您是深度学习的初学者还是专家，MATLAB都可以提供帮助——从预处理一直到部署。

设计一个深度学习模型至少可以说是具有挑战性的。

幸运的是，MATLAB提供了许多示例来帮助您开始学习，它让您访问许多流行的模型，这些模型由专家设计，并根据数百万张图像进行训练，这为迁移学习提供了一个很好的起点。

除了ONNX的导入和导出功能，MATLAB还提供了从Pytorch和TensorFlow-Keras导入模型的工具。

在训练模型之前，您需要数据。这样的例子有很多。大型数据库可以广泛使用，您可以从MATLAB访问这些数据库，但为了产生任何合理的结果，我们需要将对象与“非对象”分开。你如何在没有花费数周时间的情况下，在成千上万的图像中给物体进行标签?

MATLAB提供了应用程序来帮助解决这一挑战。例如,

你可以在每个图像中选择你关心的对象

您甚至可以选择作为对象或类别一部分的像素。[这是语义分割数据的关键]

你可以通过使用物体探测器(自定义或预构建的)来自动运行整个视频，并在几秒钟内生成物体的许多图像。

现在是时候训练网络了。有了这些数据，再加上这些网络的复杂结构，这可能需要几个小时或几天的时间。为了加快速度，我们支持NVIDIA gpu。金宝app

MATLAB处理您的数据传输到GPU或多个GPU，所以您不需要手动设置或编程自己。扩展到集群和云，更快地培训网络，甚至并行运行多个培训。

这是人们有时会忽略的一个步骤:如果经过训练的网络表现不好会发生什么?MATLAB可以帮助提供对网络的深入了解。你可以将层形象化，看看当图像通过网络时会发生什么。你也可以想象训练过程，在训练结束之前就知道训练是如何进行的。

在这些步骤的末尾，可能经过几次迭代之后，您就有了一个完全训练有素的网络来执行您的任务。现在是讨论部署的时候了。

MATLAB可以帮助您快速部署您的代码在任何地方-包括web，您的电话，或嵌入式gpu。

事实证明，MATLAB代码在GPU上运行预测非常快。最大的变化是代码生成优化了CUDA代码——在NVIDIA gpu上本地运行的代码。

你可以清楚地看到速度上的差异。

在语音识别和文本分析等其他领域，也有关于深度学习的新研究。这里有两个在MATLAB中运行的非图像深度学习任务的例子。

虽然它确实使深度学习更容易、更容易获得，但MATLAB并不仅仅是一个深度学习框架。您也可以访问MATLAB提供的所有其他内容。

你也可以在MATLAB中访问其他语言。将您的开源工作带到MATLAB中，然后使用我们丰富的可视化和应用程序来处理这些数据。

请访问我们的网站，了解更多关于最新功能和入门方法的信息。