开始深度学习工具箱
深度学习工具箱™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)和长短期记忆(LSTM)网络对图像、时间序列和文本数据执行分类和回归。您可以使用自动区分、自定义训练循环和共享权重构建生成式对抗网络(GANs)和Siamese网络等网络架构。使用深度网络设计器应用程序,您可以图形化地设计、分析和训练网络。实验管理器应用程序可以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监控训练进度。
您可以通过ONNX™格式与TensorFlow™和PyTorch交换模型,并从TensorFlow- keras和Caffe导入模型。该工具箱支持DarkNe金宝appt-53, ResNet-50, NASNet, SqueezeNet和许多其他的迁移学习pretrained模型.
您可以在单个或多个gpu工作站(使用并行计算工具箱™)上加速训练,或扩展到集群和云,包括NVIDIA® GPU云和Amazon EC2®GPU实例(使用MATLAB®并行服务器™).
教程
- 开始使用深度网络设计器
这个例子展示了如何使用深度网络设计器来调整预先训练好的GoogLeNet网络来分类新的图像集合。
- 在10行MATLAB代码中尝试深度学习
学习如何使用深度学习通过AlexNet预先训练的网络在实时网络摄像头上识别物体。
- 利用预训练网络对图像进行分类
这个例子展示了如何使用预先训练好的深度卷积神经网络GoogLeNet对图像进行分类。
- 开始迁移学习
这个例子展示了如何使用迁移学习重新训练SqueezeNet(一个预训练的卷积神经网络)来分类一组新的图像。
- 创建简单的图像分类网络
这个例子展示了如何创建和训练一个简单的卷积神经网络进行深度学习分类。
- 使用深度网络设计器创建简单的图像分类网络
这个例子展示了如何使用deep network Designer创建和训练一个简单的用于深度学习分类的卷积神经网络。
- 使用深度网络设计器创建简单的序列分类网络
这个例子展示了如何使用Deep network Designer创建一个简单的长短期记忆(LSTM)分类网络。
肤浅的网络
- 模式识别、聚类和时间序列的浅网络
使用应用程序和函数设计用于函数拟合、模式识别、聚类和时间序列分析的浅神经网络。
特色的例子
交互式学习
深度学习入口
这个免费的,两个小时的深度学习教程提供了一个交互式的深度学习方法介绍。您将学习在MATLAB中使用深度学习技术进行图像识别。
视频
交互修改用于迁移学习的深度学习网络
Deep Network Designer是一个用于创建或修改深度神经网络的点击工具。这个视频展示了如何在迁移学习工作流中使用该应用程序。它演示了使用该工具修改导入网络中的最后几个层(而不是在命令行中修改层)的简单性。您可以使用网络分析器检查修改后的体系结构中的连接和属性分配错误。
用MATLAB进行深度学习:11行MATLAB代码中的深度学习
看看如何使用MATLAB,一个简单的网络摄像头,和一个深神经网络来识别周围的物体。
用MATLAB进行深度学习:10行MATLAB代码中的迁移学习
学习如何使用转帐学习用MATLAB重新训练深学习由专家为您自己的数据或任务创建的网络。