Deep Learning Toolbox 提供函数、App 和 Simulink 模块，用于设计、训练和仿真深度神经网络。您可以可视化和解释预测、验证网络属性，并通过剪枝、投影或量化压缩网络。您也可以为训练后的网络生成 C/C++、CUDA® 和 HDL 代码（使用 MATLAB Coder、GPU Coder 或 Deep Learning HDL Toolbox）。
该工具箱提供与其他 AI 框架的接口，支持在 MATLAB 和 Simulink 中进行推断，并支持将 PyTorch®、TensorFlow®、Keras™ 和 ONNX® 中的模型导入 MATLAB 中。
深度网络设计器让您可以设计、导入、编辑和分析网络。时间序列建模器让您无需编写代码即可训练和比较用于时间序列预测的模型。
设计工程系统
创建和使用可解释、可扩展的稳健深度学习模型，用于虚拟传感器、自动化视觉检查、降阶建模、无线通信、计算机视觉和其他应用。
使用低代码 App 进行构建
使用时间序列建模器，针对时间序列数据可视化、构建、训练和比较 AI 模型。使用深度网络设计器加速内置模型和基于 Python 的模型的网络设计与分析。
在 Simulink 中集成模型
使用深度学习和 Simulink 来测试深度学习模型与更大系统的集成。基于 MATLAB 或 Python 仿真模型，以评估模型行为和系统性能。
与 PyTorch 和 ONNX 互操作
与基于 Python 的深度学习框架交换深度学习模型。导入 PyTorch、TensorFlow 和 ONNX 模型，并将网络导出到 TensorFlow 和 ONNX。在 MATLAB 和 Simulink 中协作执行基于 Python 的模型。
验证并解释模型行为
使用 AI 验证库，通过形式化方法和分布外检测来验证 MATLAB、PyTorch 和 ONNX 深度学习模型的稳健性和可靠性。可视化训练进度和激活，并解释网络预测。
生成用于部署的代码
自动生成优化的 C/C++ 代码（使用 MATLAB Coder）和 CUDA 代码（使用 GPU Coder）以部署到 CPU 和 GPU。为 FPGA 和 SoC 生成可综合的 Verilog® 和 VHDL® 代码（使用 Deep Learning HDL Toolbox）。
产品资源：
“这是我们第一次在动力总成系统 ECU 上使用神经网络仿真传感器。如果没有 MATLAB 和 Simulink，我们将不得不使用手动编码过程，而这个过程会非常繁琐、缓慢且容易出错。”
Deep Learning Toolbox 常见问题解答
Deep Learning Toolbox 提供函数、App 和 Simulink 模块，用于设计、实现和仿真深度神经网络，例如 CNN、LSTM 和 Transformer。
您可以创建卷积神经网络 (CNN)、LSTM、GAN 和 Transformer，也可以使用预训练模型进行迁移学习。
可以。您能够导入 PyTorch、TensorFlow 和 ONNX 模型进行推断、迁移学习、仿真和部署，并通过一行代码将网络导出为 TensorFlow 和 ONNX 格式。
借助深度网络设计器，您可以交互式地设计、编辑和分析网络，导入预训练模型，并将网络导出到 Simulink。
借助时间序列建模器，您可以可视化、预处理和加载时间序列数据；以交互方式设计、编辑和训练神经网络；以及将网络导出到 Simulink，以处理时间序列回归和预测问题，例如虚拟传感器建模。
支持。该工具箱支持 GPU 加速，可加快深度学习的训练和计算速度。
可以。您能够为训练好的网络自动生成经过优化的 C/C++、CUDA 和 HDL 代码，以部署到 CPU、GPU、MCU 和 FPGA。
您可以可视化训练进度和激活值，使用 Grad-CAM、D-RISE 和 LIME 解释网络结果，并借助 AI Verification Library for Deep Learning Toolbox 验证深度神经网络的稳健性和可靠性。
可以。您能够使用深度网络设计器分析网络的压缩可行性，然后使用深度网络量化器通过量化、投影或剪枝来压缩网络，从而减少内存占用量并提升推断性能。
可以。您能够将深度学习模型集成到 Simulink 中，测试其与更大系统的集成，并仿真基于 MATLAB 或 Python 的模型。
