MATLAB for Deep Learning

深度神经网络的数据准备、设计、仿真和部署

下载免费试用版

深度学习斜坡弯道

只用几行MATLAB^®代码，您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，或生成代码和部署到嵌入式系统。

用MATLAB，你可以:

创建、修改和分析深度学习体系结构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。
加快算法英伟达^®gpu、云和数据中心资源，而不需要专门的编程。
使用类似于TensorFlow PyTorch,和MxNet。
模拟和训练动态系统行为强化学习．
生成基于仿真的训练和测试数据从MATLAB和Simulink金宝app^®物理系统的模型。

使用MATLAB进行深度学习的5大原因

参见其他人如何使用MATLAB进行深度学习

壳牌

利用语义分割技术对高光谱卫星数据进行地形识别。

Autoliv

标签激光雷达验证基于雷达的自动驾驶系统。

立命馆大学

在CT图像上训练卷积神经网络以降低辐射暴露风险。

准备和标签图像，时间序列,和文本数据

MATLAB显著减少了信号、图像、视频、激光雷达、音频和文本数据的预处理和标记数据集所需的时间。同步不同的时间序列，用插值值替换异常值，去模糊图像，滤波噪声信号。使用交互式应用程序来标记、裁剪和识别重要特性，并使用内置算法来帮助自动标记过程。

开始

尝试先进技术

设计、培训和评估模型

从一套完整的算法和预构建模型开始，然后使用deep Network Designer应用创建和修改深度学习模型。将深度学习模型用于特定领域的问题，而不必从头创建复杂的网络架构。

使用技术来找到最优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中的可视化工具和像grada - cam和occlusion sensitivity这样的技术来深入了解你的模型。使用Si金宝appmulink来评估经过训练的深度学习模型对系统级性能的影响。

开始

尝试先进技术

模拟和生成合成数据

数据对于精确的模型是至关重要的，当你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^®，以纳入更多的边缘情况。使用生成对抗网络(GANs)创建自定义模拟图像。

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

开始

Simulink中的深度学习金宝app(45)

尝试先进技术

与基于python的框架集成

这不是在MATLAB和开源框架之间的非此即彼的选择。MATLAB允许您使用ONNX导入功能从任何地方访问最新的研究成果，您还可以使用一个预构建模型库，包括NASNet、SqueezeNet、incepon -v3和ResNet-101，以快速入门。从MATLAB调用Python和从Python调用MATLAB的能力允许您轻松地与使用开放源码的同事协作。

开始