本页对应的英文页面已更新,但尚未翻译。 若要查看最新内容,请点击此处访问英文页面。

Deep Learning Toolbox 快速入门

创建、分析和训练深度学习网络

Deep Learning Toolbox™ 提供了一个用于通过算法、预训练模型和应用程序来设计和实现深度神经网络的框架。您可以使用卷积神经网络(ConvNet、CNN)和长短期记忆 (LSTM) 网络对图像、时序和文本数据执行分类和回归。应用程序和绘图可帮助您可视化激活值、编辑网络架构和监控训练进度。

对于小型训练集,您可以使用预训练深度网络模型(包括 SqueezeNet、Inception-v3、ResNet-101、GoogLeNet 和 VGG-19)以及从 TensorFlow™-Keras 和 Caffe 导入的模型执行迁移学习。

要加速对大型数据集的训练,您可以将计算和数据分布到桌面计算机上的多核处理器和 GPU 中(使用 Parallel Computing Toolbox™),或者扩展到群集和云,包括 Amazon EC2® P2、P3 和 G3 GPU 实例(使用 MATLAB® Parallel Server™)。

教程

浅层网络

特色示例

在线学习

深度学习入门
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
Deep Network Designer 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。

使用 MATLAB 进行深度学习:使用 11 行 MATLAB 代码进行深度学习
了解如何使用 MATLAB、普通的网络摄像机和深度神经网络来识别周围环境中的物品。

使用 MATLAB 进行深度学习: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。