Deep Learning Toolbox™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, CNNs)和长短期记忆(LSTM)网络对图像、时间序列和文本数据进行分类和回归。您可以使用自动区分、自定义训练循环和共享权来构建网络架构,如生成式对抗网络(gan)和暹罗网络。有了Deep Network Designer应用程序,你可以图形化地设计、分析和训练网络。实验管理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,比较不同实验的代码。您可以可视化层激活和图形化监控训练进度。
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。该工具箱支持迁移学习与D金宝apparkNet-53, ResNet-50, NASNet, SqueezeNet和许多其他pretrained模型.
您可以在单个或多gpu工作站(使用Parallel Computing Toolbox™)上加速训练,或者扩展到集群和云,包括NVIDIA® GPU云和亚马逊EC2®GPU实例(MATLAB®并行服务器™).
学习深度学习工具箱的基础知识
从零开始训练卷积神经网络或使用预先训练的网络快速学习新任务
为时间序列分类、回归和预测任务创建和训练网络
交互式地构建和训练网络,管理实验,规划训练进度,评估准确性,解释预测,调整训练选项,并可视化网络学到的特征
利用本地或云中的多个gpu扩展深度学习,以交互方式或批处理的方式训练多个网络
通过计算机视觉、图像处理、自动驾驶、信号、音频、文本分析和计算金融扩展深度学习工作流程
导入、导出和自定义深度学习网络,以及自定义层、训练循环和损失函数
管理和预处理数据用于深度学习
生成C / c++, CUDA®或HDL编码并部署深度学习网络
执行回归,分类,聚类,和模型非线性动态系统使用浅神经网络