用于深度学习的MATLAB

数据准备,设计,仿真和部署深层神经网络

只需几行MATLAB的®代码,你可以申请深度学习技术,将您的工作是否你设计的算法,准备和标记数据,或生成代码,并部署到嵌入式系统。

有了MATLAB,您可以:

  • 使用深度学习架构创建、修改和分析应用程序和可视化工具
  • 数据预处理和自动化真实的标签图像,视频和音频数据使用应用程序。
  • 加快算法NVIDIA®gpu,云,没有专门的编程数据中心资源。
  • 协作使用框架,比如同行TensorFlow PyTorch,和MxNet。
  • 模拟和列车动力系统的行为与强化学习
  • 生成基于仿真的从MATLAB和Simulink训练和测试数据金宝app®物理系统的模型。

看看其他人如何使用MATLAB进行深度学习

面板的导航

贝壳

用途用于高光谱卫星数据的地形识别语义分割。

面板的导航

奥托立夫

标签LIDAR用于基于雷达自动驾驶系统的验证。

面板的导航

立命馆大学

在CT图像上训练卷积神经网络以减少辐射暴露风险。

准备和标签图像,时间序列,和文本数据

MATLAB显著减少了所需的预处理和标签数据集与音频,视频,图像和文本数据域的特定应用程序的时间。同步不同的时间系列,具有内插的值,去模糊图像,并且过滤噪声信号替换离群值。使用交互式应用到标签,作物,并确定重要功能,以及内置的算法来帮助自动贴标的过程。

设计、培训和评估模型

启动了一套完整的算法和模型预建的,然后创建和修改使用深层网络设计的应用深层的学习模式。结合对特定领域的问题深的学习模式,而不必从头开始创建复杂的网络架构。

使用技术来寻找最佳的网络超参数和并行计算工具箱™和高性能NVIDIA gpu来加速这些计算密集型算法。使用MATLAB中的可视化工具和渐变- cam和遮挡敏感性等技术来深入了解您的模型。

模拟并生成合成数据

精确模型的数据是至关重要的,当没有足够的正确场景时,MATLAB可以生成更多的数据。例如,使用来自游戏引擎的合成图像,如虚幻引擎®,以合并更多的边缘情况。使用生成式对抗网络(GANs)创建自定义模拟图像。

通过从Simulink生成合成数据,在传感器获得数据之前测试算法。Simulink是自动驾驶系统中常用的一种方法。金宝app

与基于Python框架整合

这不是一个非此即彼/或MATLAB和开源框架之间选择。MATLAB允许你从任何地方使用ONNX导入功能访问的最新研究成果,你也可以使用预置的模型,包括NASNet,SqueezeNet,启-v3和RESNET-101,快速上手库。从MATLAB和MATLAB在Python调用Python的能力,让您轻松与正在使用开源的同事合作。

部署训练网络

将您训练好的模型部署到嵌入式系统、企业系统或云上。MATLAB支金宝app持自动CUDA®代码生成经训练的网络以及用于预处理和后处理,以特异性靶向最新的NVIDIA GPU,包括杰特森Xavier和纳米。

当性能的问题,您可以生成代码,它利用英特尔优化库®(MKL-DNN),NVIDIA(TensorRT,cuDNN)和ARM®(ARM计算库)来创建具有高性能推理速度的可部署模型。

深学习主题

面板的导航

信号处理

获取和分析信号和时间序列数据。

面板的导航

计算机视觉

采集,处理和分析图像和视频。

面板的导航

强化学习

定义,培训和部署强化学习策略。

得到快速入门

深度学习匝道

开始在这个自由的深入学习技术,动手教程。

探索启动资源

观看演示,探索交互式示例,并访问免费教程。

免费试用

30天的探索就在你的指尖。

探索深度学习工具箱

有问题吗?

跟一个深度学习专家。