Matlab深入学习

深度神经网络的数据准备,设计,模拟和部署

只需几行Matlab®代码,您可以在您的工作中应用深度学习技巧,无论您是设计算法,准备和标记数据,还是生成代码和部署到嵌入式系统。

用matlab,你可以:

  • 使用的创建,修改和分析深度学习架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。
  • 加速算法nvidia.®gpu没有专门编程的云和数据中心资源。
  • 使用框架与同行合作TensorFlow PyTorch,和mxnet。
  • 模拟和培训动态系统行为强化学习
  • 产生基于仿真的来自Matlab和Simulink的培训和测试数据金宝app®物理系统的模型。

参见其他人如何使用MATLAB进行深度学习

面板的导航

在高光谱卫星数据中使用地形识别来使用语义分割。

面板的导航

自动化

Labels LIDAR用于验证基于雷达的自动化驱动系统。

面板的导航

Ritsumeikan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显着降低了预处理和标签数据集的时间,具有用于音频,视频,图像和文本数据的域特定应用。同步不同时间序列,替换具有内插值,deBlur图像和滤波的异常值。使用交互式应用程序来标记,裁剪和标识重要功能,内置算法,以帮助自动化标签过程。

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。

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®,包含更多边缘案例。使用生成的对抗性网络(GANS)来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

与基于Python的框架集成

它不是Matlab和开源框架之间的任何一个/或选择。MATLAB允许您使用ONNX导入功能的任何地方访问最新研究,您还可以使用预构造库,包括NASNet,SCREEZENET,INECCEPION-V3和RESET-101,快速启动。从Python调用Matlab和Matlab的Python的能力允许您轻松地与使用开源的同事协作。

部署训练网络

将经过培训的模型部署到嵌入式系统、企业系统或云上。MATLAB支金宝app持自动CUDA®培训网络的代码生成以及预处理和后处理专门针对最新的NVIDIA GPU,包括Jetson Xavier和Nano。

绩效事项时,您可以生成利用英特尔利用优化库的代码®(MKL-DNN),NVIDIA(张于Rensorr,Cudnn)和ARM®(ARM计算库)创建具有高性能推理速度的可部署模型。

深入学习主题

面板的导航

信号处理

采集并分析信号和时间序列数据。

面板的导航

计算机视觉

获取,过程和分析图像和视频。

面板的导航

加强学习

定义,列车和部署强化学习策略。

快速开始

深度学习ondramp.

开始在这个免费的深度学习技术,动手教程。

探索入门资源

观看演示,探索交互式示例,并访问免费教程。

获得免费试用

30天的探索触手可及。

探索深度学习工具箱

有问题吗?

与深入学习专家交谈。