Main Content

Deep Learning Toolbox 快速入门

设计、训练、分析和仿真深度学习网络

Deep Learning Toolbox™ 提供用于设计、实现和仿真深度神经网络的函数、App 和 Simulink® 模块。该工具箱提供了一个框架来创建和使用多种类型的网络，如卷积神经网络 (CNN) 和变换器。您可以可视化和解释网络预测、验证网络属性以及通过量化、投影或剪枝来压缩网络。

借助深度网络设计器，您可以通过交互方式设计、编辑和分析网络，导入预训练模型并将网络导出到 Simulink。该工具箱可用于与其他深度学习框架进行互操作。您可以导入 PyTorch®、TensorFlow™ 和 ONNX™ 模型进行推断、迁移学习、仿真和部署。您还可以将模型导出到 TensorFlow 和 ONNX。

您可以为经过训练的网络自动生成 C/C++、CUDA® 和 HDL 代码。

教程

    App 工作流

    • 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。
    • Get Started with Time Series Forecasting
      This example shows how to create a simple long short-term memory (LSTM) network to forecast time series data using the Deep Network Designer app.
    • 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。
    • 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。

    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

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。

打开脚本
Retrain Neural Network to Classify New Images

Retrain Neural Network to Classify New Images

Retrain a pretrained SqueezeNet neural network to perform classification on a new collection of images.

打开实时脚本
使用深度学习进行时间序列预测

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。

打开实时脚本

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。