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

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™)。

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

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

导入和导出网络,定义自定义深度学习层,以及自定义数据存储

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

函数逼近和聚类

使用浅层神经网络执行回归、分类和聚类

时序和控制系统

使用浅层网络对非线性动态系统建模;使用顺序数据进行预测。