使用 MATLAB 和 Python 实现 AI 功能
R2026b与使用其他深度学习框架的同事协作，使用 PyTorch® 协同执行来训练和测试 Python 或 TensorFlow™ 模型。
使用 信号处理 工具箱预处理信号、生成数据集并提取特征，以训练和测试 Python 模型。
将您的工作集成到基于模型的设计工作流中。有关详细信息，请参阅Simulink 深度学习 (Deep Learning Toolbox)。
在鉴定您的设计后，将系统导入并部署到若干可能的平台上。有关详细信息，请参阅Interoperability Between Deep Learning Toolbox, TensorFlow, PyTorch, and ONNX (Deep Learning Toolbox)和为 PyTorch 和 LiteRT 模型生成代码 (MATLAB Coder)。
使用低延迟音频 I/O 实时演练音频模型。如果您有 Audio Toolbox™，还可以将模型部署为音频插件以实现可移植性，并在数字音频工作站中使用。
主题
- Python Coexecution
Coexecute Python models in MATLAB to implement AI signal processing workflows. (自 R2026a 起)
精选示例
Use Signal Feature Extraction to Train PyTorch Fault Detection Model
Coexecute a PyTorch long short-term memory neural network in MATLAB to identify faulty bearing signals.
Signal Imputation in Signal Analyzer Using Time-Series Foundation Model
Coexecute a PyTorch time-series foundation model in Signal Analyzer to restore missing samples in signals.
Anomaly Detection in Signal Labeler Using Time-Series Foundation Model
Coexecute a PyTorch time-series foundation model in Signal Labeler to detect anomalies in signals.
Train PyTorch Speech Command Recognition Model
Learn how to combine MATLAB data processing and visualization capabilities with a Python deep learning framework.
