Main Content

本页翻译不是最新的。点击此处可查看最新英文版本。

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、时间序列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。使用深度网络设计器,您能够以图形方式设计、分析和训练网络。试验管理器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。

您可以从 TensorFlow™ 2、TensorFlow-Keras 和 PyTorch®、ONNX™(开放式神经网络交换)模型格式和 Caffe 中导入网络和层图。您还可以将 Deep Learning Toolbox 网络和层图导出为 TensorFlow 2 和 ONNX 模型格式。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,或扩展到集群和云,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

使用预训练网络快速学习新任务或从头开始训练卷积神经网络

使用时间序列和序列数据进行深度学习

创建和训练用于时间序列分类、回归和预测任务的网络

深度学习调整和可视化

以交互方式构建和训练网络、管理试验、绘制训练进度、评估准确度、解释预测、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、音频、文本分析和计算金融学领域的应用

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 C/C++、CUDA® 或 HDL 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