Gabriel Ha,Mathworks
深度学习工具箱™为设计和实现具有算法,预磨料模型和应用的深度神经网络提供框架。您可以使用卷积神经网络(CoundNet,CNN)和长短期内存(LSTM)网络在图像,时序和文本数据上执行分类和回归。您可以使用自动分化,自定义训练循环和共享权重构建网络架构,例如生成的对抗网络(GANS)和暹罗网络。使用深度网络设计器应用程序,您可以以图形方式设计,分析和培训网络。实验管理器应用程序可帮助您管理多个深度学习实验,跟踪培训参数,分析结果和与不同实验的代码进行比较。您可以可视化图层激活和图形监控培训进度。
您可以通过Tennx格式和来自Tensorflow-Keras和Caffe的INNX格式和进口模型与TensoRflow™和Pytorch交换模型。Toolbox支持使用D金宝apparkNet53,Reset-50,NASNet,Screezenet和许多其他预磨模的转移学习。
您可以在单个或多个GPU工作站上加快培训(并行计算工具箱™),或扩展到集群和云,包括NVIDIA® GPU云和亚马逊EC2® GPU instances (with MATLAB Parallel Server™).
深度学习工具箱提供了创建、训练和分析深度网络的算法和工具。您可以将深度学习与cnn一起用于图像分类,并将深度学习与LSTM网络一起用于时间序列和序列数据。深度学习工具箱有许多你可以利用的预先构建的例子,包括对场景中的移动物体进行分类和用回归检测面部特征。您还可以使用自定义训练循环、共享权重和自动区分来构建像gan和Siamese网络这样的高级网络体系结构。
在20a,我们将引入实验管理程序来管理多个深度学习实验。您可以跟踪训练参数、分析结果、比较来自不同实验的代码,还可以使用可视化工具(如训练图和混淆矩阵)来评估训练模型。我们还更新了Deep Network Designer应用程序,以便在开始时轻松选择现有的预训练模型来进行迁移学习工作流程,或者你也可以使用拖放界面从头设计一个网络,允许你可视化层和连接,并添加可学习的层参数。在20a,在设计和分析你的网络后,你可以导入你的数据,检查你的数据,设置训练选项,如学习率和epoch的数量,最后训练你设计的网络,所有这些都在应用程序本身。最后,将您的网络导出到工作空间,或者生成相应的MATLAB代码,这样您的同事就可以轻松地重新生成和完善您的工作。
您可以从头开始创建网络架构,也可以利用与Reset和Inception等掠夺网络的传输学习。深度学习工具箱支持与其他框架的互操作性,包括金宝appTensorflow,Pytorch和MXNet。您还可以从Tensorflow-Keras和Caffe导入网络和网络架构。由于深度学习工具箱支持Onnx型号格式,您可以导入模型,利用MA金宝appTLAB用于可视化和优化网络的任务,然后导出您的模型以用于其他深度学习框架。
您可以在单GPU或多GPU工作站上加速培训,或扩展到集群和云,包括NVIDIA GPU Cloud和Amazon EC2 GPU实例。
深度学习工具箱可以与代码生成工具结合使用,使您可以将深度学习算法部署到NVIDIA GPU和英特尔和ARM处理器等目标。此自动生成的代码在推理应用程序中提供了显着的性能提升。
如果您需要更小的网络占用空间,您还可以在模型和目标NVIDIA gpu上执行int8量化,以便进行嵌入式部署。
有关深度学习工具箱的更多信息,请查看深度学习工具箱产品页面,并随时与我们联系任何问题。
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。