深度学习工具箱
设计、训练和分析深度学习网络
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, 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，并比较不同实验的代码。您可以可视化层激活和图形监控训练进展。
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。这个工具箱支持使用Dar金宝appkNet-53、ResNet-50、NASNet、SqueezeNet和许多其他预训练模型进行迁移学习。
您可以在单个或多个gpu工作站(使用并行计算工具箱™)上加速培训，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™)。
开始:
卷积神经网络
学习图像中的模式来识别物体、面孔和场景。构建和训练卷积神经网络(CNNs)进行特征提取和图像识别。
长短期记忆网络
在序列数据中学习长期依赖关系，包括信号，音频，文本和其他时间序列数据。构建和培训长短短期内存（LSTM）网络以执行分类和回归。
与LSTMs合作。
网络架构
使用各种网络结构，包括有向无环图(DAG)和循环架构来构建您的深度学习网络。使用自定义训练循环、共享权值和自动区分构建高级网络架构，如生成式对抗网络(gan)和暹罗网络。
使用不同的网络架构。
设计深学习网络
使用Deep Network Designer应用程序从头开始创建和培训深度网络。导入备用模型，可视化网络结构，编辑图层，调谐参数和火车。
分析深度学习网络
在培训之前，分析您的网络架构，以检测和调试错误、警告和层兼容性问题。可视化网络拓扑，查看可学习参数、激活方式等详细信息。
分析一个深度学习网络架构。
管理深度学习实验
使用实验管理器app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，排序和过滤实验结果，并定义自定义度量来评估训练模型。
转移学习
使用预先训练过的网络，并将其作为学习新任务的起点。执行迁移学习，将在网络中学习到的特征用于特定的任务。
磨粉模型
用一行代码访问最新研究的预训练网络。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。
监控模型的训练进度。
网络激活和可视化
提取对应于一层的激活，可视化学习特征，并使用激活训练机器学习分类器。使用grado - cam、occlusion和LIME来解释深度学习网络的分类决策。
可视化激活。
ONNX转换器
MATLAB中的导入和导出ONNX模型®用于与其他深度学习框架的互操作性。ONNX允许在一个框架中训练模型，并将其转移到另一个框架中进行推理。使用GPU Coder™生成优化的NVIDIA®CUDA®代码和使用MATLAB编码器™为导入的模型生成c++代码。
与深层学习框架互操作。
咖啡进口国
从Caffe Model动物园导入Matlab的导入推断和转移学习。
从Caffe Model Zoo导入模型到MATLAB。
GPU加速
使用高性能NVIDIA gpu加速深度学习训练和推理。在单工作站GPU上进行培训，或者在数据中心或云上使用DGX系统扩展到多个GPU。你可以用MATLAB并行计算工具箱以及大多数支持cuda的NVIDIA gpu计算能力3.0及以上．
加速GPU。
使用并行计算工具箱和MATLAB并行服务器加速云中的训练。
并行和在云中扩展深度学习。
模拟
在Simulink中对深度学习网络进行仿真并生成代码金宝app®．使用AlexNet, GoogLeNet和其他预先训练过的模型。您还可以模拟从头创建或通过迁移学习创建的网络，包括LSTM网络。在Simulink中使用GPU编码器和NVIDIA GPU加速深度学习网络的执行。金宝app使用控制、信号处理和传感器融合组件模拟深度学习网络，以评估深度学习模型对系统级性能的影响。
在Simulink内部的深度卷积神经网络金宝app®用于车道和车辆检测的模型
代码生成
使用GPU编码器生成优化的CUDA代码，Matlab编码器和金宝appSimulink编码器要生成C和C ++代码，将深度学习网络部署到NVIDIA GPU，英特尔®至强®和手臂®皮质®——一个处理器。将生成的代码自动交叉编译和部署到NVIDIA Jetson™和DRIVE™平台，以及Raspberry Pi™板上。使用深度学习HDL工具箱™用于在fpga和soc上原型和实现深度学习网络
深度学习量化
量化您的深度学习网络以降低内存使用率并提高推理性能。使用Deep Network Standizer应用程序分析和可视化性能和推理准确性之间的权衡。
部署独立的应用程序
使用MATLAB编译器™和MATLAB编译器SDK™部署训练有素的网络作为c++共享库，微软® 。网络组件,Java® classes, and Python® 软件包来自MATLAB程序与深度学习模型。
共享独立的MATLAB程序与MATLAB编译器。
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，找到数据之间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。
自组织地图。
堆叠Autoencoders
通过使用AutoEncoders从数据集中提取低维功能来执行无监督的功能转换。您还可以通过培训和堆叠多个编码器来使用堆叠的AutoEncoders进行监督学习。
堆叠编码器。
