Deep Learning Toolbox 快速入门
R2026bDeep Learning Toolbox™ 提供用于设计、训练和仿真深度神经网络的函数、App 和 Simulink® 模块。您可以可视化和解释预测，验证网络属性，以及通过剪枝、投影或量化来压缩网络。您还可以为经过训练的网络生成 C/C++、CUDA® 和 HDL 代码（使用 MATLAB® Coder™、GPU Coder™ 或 Deep Learning HDL Toolbox™）。
该工具箱提供对接其他 AI 框架的接口，支持在 MATLAB 和 Simulink 中执行推理，并可以将 PyTorch®、TensorFlow™、Keras™ 和 ONNX™ 中的模型导入 MATLAB。
深度网络设计器可用于设计、导入、编辑和分析网络。时间序列建模器可用于训练和比较用于时间序列预测的模型，并且无需编写代码。
教程
- 时间序列预测快速入门
此示例说明如何使用Time Series Modeler创建一个简单的长短期记忆 (LSTM) 网络来对时间序列数据进行建模。 - 迁移学习快速入门
此示例说明如何使用深度网络设计器为迁移学习准备网络。 - 深度网络设计器快速入门
此示例说明如何使用深度网络设计器创建一个简单的循环神经网络以用于深度学习序列分类。 - 图像分类快速入门
此示例说明如何使用深度网络设计器创建简单的卷积神经网络来进行深度学习分类。卷积神经网络是深度学习的基本工具，尤其适用于图像识别。 - 使用 10 行 MATLAB 代码尝试深度学习
了解如何使用深度学习通过 SqueezeNet 预训练网络识别实时网络摄像头画面中的对象。 - 使用预训练网络对图像进行分类
此示例说明如何使用预训练的深度卷积神经网络 GoogLeNet 对图像进行分类。 - 创建简单的图像分类网络
此示例说明如何创建和训练简单的卷积神经网络来进行深度学习分类。卷积神经网络是深度学习的基本工具，尤其适用于图像识别。
App 工作流
命令行工作流
精选示例
使用深度学习对网络摄像头图像进行分类
此示例说明如何使用预训练的深度卷积神经网络 GoogLeNet 实时对来自网络摄像头的图像进行分类。
重新训练神经网络以对新图像进行分类
此示例说明如何重新训练预训练的 SqueezeNet 神经网络以对新的图像集合执行分类。
使用深度学习进行时间序列预测
此示例说明如何使用长期短期记忆 (LSTM) 网络预测时间序列数据。
交互式学习
深度学习入门之旅
此教程为免费课程，以交互方式介绍实用的深度学习方法，时长为两个小时。您将学习如何在 MATLAB 中使用深度学习方法进行图像识别。
视频
以交互方式修改深度学习网络以进行迁移学习
深度网络设计器是一个点选式工具，用于创建或修改深度神经网络。此视频说明如何在迁移学习工作流中使用该 App。它说明如何轻松地使用该工具修改所导入网络中的最后几个层，而不必通过命令行修改这些层。您可以使用网络分析器检查修改后的架构中的连接和属性分配错误。
MATLAB 深度学习：使用 11 行 MATLAB 代码进行深度学习
了解如何使用 MATLAB、普通的网络摄像头和深度神经网络来识别周围环境中的物品。
MATLAB 深度学习：使用 10 行 MATLAB 代码进行迁移学习
了解如何在 MATLAB 中使用迁移学习来针对您自己的数据或任务重新训练由专家创建的深度学习网络。
教学资源
面向生物科学的机器学习
通过生物学领域的示例，学习机器学习基础知识。
