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

设计、训练和分析深度学习网络

Deep Learning Toolbox™ 提供了一个用于通过算法、预训练模型和 App 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。您可以使用自动微分、自定义训练循环和共享权重来构建网络架构,如生成对抗网络 (GAN) 和孪生网络。使用 Deep Network Designer,您能够以图形方式设计、分析和训练网络。Experiment Manager 可帮助您管理多个深度学习试验,跟踪训练参数,分析结果,并比较不同试验的代码。您可以可视化层激活,并以图形方式监控训练进度。

您可以通过 ONNX™ 格式与 TensorFlow™ 和 PyTorch 交换模型,并从 TensorFlow-Keras 和 Caffe 导入模型。该工具箱支持使用 DarkNet-53、ResNet-50、NASNet、SqueezeNet 和许多其他预训练模型进行迁移学习。

您可以在单 GPU 或多 GPU 工作站(安装了 Parallel Computing Toolbox™)上加快训练速度,或扩展到群集和云,包括 NVIDIA® GPU Cloud 和 Amazon EC2® GPU 实例(安装了 MATLAB® Parallel Server™)。

Deep Learning Toolbox 快速入门

Deep Learning Toolbox 基础知识学习

图像深度学习

从头开始训练卷积神经网络或使用预训练的网络快速学习新任务

时序、序列和文本深度学习

创建和训练用于时序分类、回归和预测任务的网络

深度学习调整和可视化

管理试验,绘制训练进度、评估准确度、进行预测、调整训练选项以及将网络学习的特征可视化

通过并行计算和云进行深度学习

在本地使用多个 GPU 或在云中扩展深度学习,并以交互方式或批处理作业的形式训练多个网络

深度学习应用

扩展深度学习工作流在计算机视觉、图像处理、自动驾驶、信号和音频领域的应用

深度学习导入、导出和自定义

导入、导出和自定义深度学习网络,并自定义层、训练循环和损失函数

深度学习数据预处理

管理和预处理深度学习数据

深度学习代码生成

生成 MATLAB 代码或 CUDA® 和 C++ 代码,并部署深度学习网络

函数逼近、聚类和控制

使用浅层神经网络执行回归、分类和聚类,以及对非线性动态系统建模