深度学习工具箱
设计、培训和分析深度学习网络
深度学习工具箱™ 提供一个框架，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（convnet、CNNs）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网络体系结构，如生成性对抗网络（GAN）和暹罗网络。使用Deep Network Designer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”应用程序可帮助您管理多个深度学习实验、跟踪训练参数、分析结果以及比较不同实验的代码。您可以可视化图层激活并以图形方式监控培训进度。
您可以使用TensorFlow交换模型™ 通过ONNX格式和TensorFlow Keras和Caffe导入模型。工具箱支持使用DarkNet-53、ResNet-50、NASNet、SqueezeNet和许多其他预训练模型进行迁移学习。金宝app
您可以在单个或多个GPU工作站上加速培训（使用并行计算工具箱）™), 或者扩展到集群和云，包括NVIDIA® GPU云和亚马逊EC2® GPU实例（带MATLAB并行服务器）™).
开始：
卷积神经网络
学习图像中的模式以识别对象、人脸和场景。构造和训练卷积神经网络（CNN）以执行特征提取和图像识别。
长短时记忆网络
了解序列数据中的长期相关性，包括信号、音频、文本和其他时间序列数据。构建和训练长-短期记忆（LSTM）网络以进行分类和回归。
与LSTM合作。
网络体系结构
使用各种网络结构，包括有向无环图（DAG）和循环架构，构建深度学习网络。使用自定义训练循环、共享权重和自动区分，构建高级网络架构，如生成性对抗网络（GAN）和暹罗网络。
使用不同的网络架构。
设计深度学习网络
使用deep network Designer应用程序从头开始创建和培训deep network。导入预训练模型，可视化网络结构，编辑图层，调整参数，并进行训练。
分析深度学习网络
在培训之前，分析您的网络体系结构以检测和调试错误、警告和层兼容性问题。可视化网络拓扑并查看详细信息，如可学习的参数和激活。
分析了一个深度学习网络体系结构。
管理深度学习实验
使用实验管理器应用程序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。使用可视化工具，如训练图和混淆矩阵，对实验结果进行排序和过滤，并定义自定义指标来评估训练后的模型。
迁移学习
访问预先训练的网络，并将其作为学习新任务的起点。执行迁移学习，将网络中学习到的功能用于特定任务。
预训练模型
使用一行代码访问最新研究中的预训练网络。导入预训练模型，包括DarkNet-53、ResNet-50、SqueezeNet、NASNet和Inception-v3。
预训练模型的分析。
监控模型的培训进度。
网络激活和可视化
提取对应于层的激活，可视化学习的特征，并使用激活训练机器学习分类器。使用Grad CAM、occlusion和LIME解释深度学习网络的分类决策。
可视化激活。
ONNX转换器
在MATLAB中导入和导出ONNX模型®用于与其他深度学习框架的互操作性。ONNX使模型能够在一个框架中进行训练，并转移到另一个框架进行推理。使用GPU编码器™生成优化的NVIDIA®库达®代码和使用MATLAB编码器™为导入的模型生成C++代码。
与深度学习框架互操作。
咖啡馆进口商
将Caffe Model Zoo中的模型导入MATLAB进行推理和迁移学习。
将Caffe模型动物园中的模型导入MATLAB。
GPU加速
使用高性能NVIDIA GPU加快深度学习培训和推理。在数据中心或云中的单个工作站GPU上执行培训，或使用DGX系统扩展到多个GPU。您可以使用MATLAB与并行计算工具箱大多数支持CUDA的NVIDIA GPU计算能力3.0或更高版本.
用GPU加速。
使用并行计算工具箱和MATLAB并行服务器加速云端培训。
在云中并行扩展深度学习。
模拟
在Simulink中模拟和生成深度学习网络的代码金宝app®。使用AlexNet、GoogLeNet和其他预训练模型。您还可以模拟从头创建或通过转移学习创建的网络，包括LSTM网络。使用GPU编码器和NVIDIA GPU在Simulink中加速深度学习网络的执行。模拟具有控制、信号处理和传感器融合组件的深度学习网络nts评估深度学习模型对系统级性能的影响。金宝app
Simulink中的深度卷积神经网络金宝app®车道和车辆检测模型
代码生成
使用GPU编码器要生成优化的CUDA代码，MATLAB编码器和金宝appSimulink编码器生成C和C++代码，将深度学习网络部署到Nvidia GPU，英特尔®至强®手臂®皮层®-A处理器。自动将生成的代码交叉编译和部署到NVIDIA Jetson上™ 驾驶™ 平台和树莓皮™ 董事会。使用深度学习HDL工具箱™ 在FPGA和SOC上原型化和实施深度学习网络
深度学习量化
量化您的深度学习网络，以减少内存使用并提高推理性能。使用Deep Network Quantizer应用程序分析并可视化提高性能和推理准确性之间的权衡。
部署独立应用程序
使用MATLAB编译器™和MATLAB编译器SDK™将经过训练的网络部署为C++共享库，微软® .NET程序集，Java® 类和Python® 包含深入学习模型的MATLAB程序包。
与MATLAB编译器共享独立的MATLAB程序。
无监督网络
通过让浅层网络不断调整自身以适应新的输入，查找数据中的关系并自动定义分类方案。使用自组织、无监督网络以及竞争层和自组织地图。
自组织映射。
堆叠式自动编码器
通过使用自动编码器从数据集中提取低维特征，执行无监督特征转换。您还可以通过训练和堆叠多个编码器，使用堆叠自动编码器进行监督学习。
堆叠编码器。
