Deep Learning Toolbox

重要更新

 

Deep Learning Toolbox

创建、分析和训练深度学习网络

 

Deep Learning Toolbox™(以前的 Neural Network Toolbox™)提供了利用一些算法、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、时间序列和文本数据执行分类和回归。 借助一些应用程序和绘图,实现可视化激活、编辑网络架构以及监视训练进度。

对于小型训练集,您可以使用预训练的深度网络模型(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。

为加快对大型数据集的训练,您可以在台式机上的多核处理器和 GPU 之间分配计算和数据(利用 Parallel Computing Toolbox™),或扩展到集群和云,包括 Amazon EC2® P2、P3 和 G3 GPU 实例(利用 MATLAB Distributed Computing Server™)。

网络和架构

使用 Deep Learning Toolbox 训练深度学习网络进行分类、回归以及对图像、时间序列和文本数据的特征学习。

Convolutional Neural Networks

学习图像中的图案,以便识别物体、人脸和场景。构造和训练卷积神经网络 (CNN) 执行特征提取和图像识别。

长短期记忆网络

学习连续性数据(包括信号、音频、文本和其他时序数据)中的长期依赖关系。构造和训练长短期记忆 (LSTM) 网络执行分类和回归。 

使用 LSTM。

网络架构

使用各种网络结构(比如序列、有向无环图 (DAG) 和循环架构)构建您的深度学习网络。DAG 架构提供更多网络拓扑,包括那些具有跳过层或并行连接层的拓扑结构。 

使用不同网络架构。

网络设计和分析

使用交互式应用程序创建、编辑、可视化和分析深度学习网络。 

设计深度学习网络

使用 Deep Network Designer 应用程序从头开始创建深度网络。导入预先训练的模型,可视化网络结构,编辑各层,调节参数。 

Deep Network Designer 应用程序。

分析深度学习网络

分析您的网络架构,在训练前检测和调试错误、警告和层兼容性问题。可视化网络拓扑并查看详情,比如可学习的参数和激活。

分析深度学习网络架构。

迁移学习和预训练模型

向 MATLAB 导入预训练模型进行推断。 

迁移学习

迁移学习在深度学习应用程序中普遍使用。访问预先训练的网络并以此为起点,从而使用少量的训练图像学习新任务并将学习的特征快速迁移到新任务。

预训练模型

使用一行代码访问尚在研究中的最新模型。导入预训练的模型,包括 AlexNet、GoogLeNet、VGG-16、VGG-19、ResNet-101、Inception-v3 和 SqueezeNet。参阅预训练模型,获得完整的模型列表。 

分析深度神经网络模型。

可视化

可视化深度学习网络中的网络拓扑、训练进度和所学习特征的激活。

网络可视化

可视化网络拓扑结构中的层和连接。使用 analyzeNetwork 函数交互式地分析网络架构。
 

可视化深度学习网络架构。

训练进度

借助各种度量图查看每个迭代中的训练进度。绘制验证指标对训练指标图来,直观地分析网络是否过拟合。 

监视您的模型的训练进度。

网络激活

提取与一个层对应的激活,可视化学习的特征,使用激活训练机器学习分类器。通过合成那些强烈激活网络各层的图像并突出学习的特征,使用 deepDreamImage 函数了解和诊断网络行为。

可视化激化。

框架互操作性

通过 MATLAB 与深度学习框架互操作。

ONNX 转换器

MATLAB®  内导入和导出 ONNX 模型,实现与其他深度学习框架的互操作性。利用 ONNX 在一个框架中训练模型,然后转移到另一个框架进行推断。 

与深度学习框架互操作。

TensorFlow-Keras 导入器

使用 importKerasNetwork 函数,从 TensorFlow-Keras 向 MATLAB 中导入模型进行推断和迁徙学习。 

Caffe 导入器

使用 importCaffeNetwork 函数,从 Caffe Model Zoo 向 MATLAB 中导入模型进行推断和迁徙学习。

从 Caffe Model Zoo 向 MATLAB 中导入模型。

训练加速

使用 GPU、云和分布式计算加快深度学习训练速度。 

GPU 加速

利用高性能 NVIDIA® GPU 加快深度学习训练和推断的速度。您可以在单个工作站 GPU 上执行训练,或者借助 DGX 系统扩展到数据中心或云端的多个  GPU。您可以使用 MATLAB 与 Parallel Computing Toolbox 以及大多数具有 Compute Capability 3.0 或更高版本并支持 CUDA® 的 NVIDIA GPU。 

使用 GPU 进行加速。

云加速

使用云实例加快深度学习训练速度。使用高性能 GPU 实例获得最佳结果。 

支持 Parallel Computing Toolbox 和 MATLAB Distributed Computing Server。

以并行方式在云端扩展深度学习。

代码生成和部署

将训练的网络部署到嵌入式系统,或者与各种生产环境集成。

代码生成

使用 GPU Coder™ 从 MATLAB 代码生成优化的 CUDA 代码,用于深度学习、嵌入式视觉和自主系统。使用 MATLAB Coder™ 生成 C/C++ 代码,将深度学习网络部署到 Intel® Xeon® 和 ARM® Cortex®-A 处理器。

MATLAB Compiler 支持

使用 MATLAB Compiler™MATLAB Compiler SDK™,通过 MATLAB 程序将训练的网络部署为 C/C++ 共享库、Microsoft® .NET 程序集、Java® 类和 Python® 包。您还可以在部署的应用程序或组件中训练浅层网络模型。

与 MATLAB Compiler 共享独立 MATLAB 程序。

浅层神经网络

将神经网络用于各种有监督和无监督浅层神经网络架构。

有监督网络

训练有监督浅层神经网络,对动态系统进行建模和控制,对噪声数据分类,预测未来事件。 

浅层神经网络。

无监督网络

让浅层网络对新输入不断进行自身调整,从而发现数据内的关系并自动定义分类方案。使用自组织、无监督的网络、竞争的层和自组织映射。 

自组织映射。

堆叠式自动编码器

通过使用自动编码器从您的数据集里提取低维度特征,执行无监督特征变换。通过训练和堆叠多个编码器,您还可以使用堆叠式自动编码器进行有监督学习。

堆叠式自动编码器。

最新功能

Deep Network Designer

编辑和构建深度学习网络

ONNX 支持

使用 ONNX 模型格式导入和导出模型,实现与其他深度学习框架的互操作性

网络分析器

在训练之前,可视化、分析和查找网络架构中的问题

TensorFlow-Keras

从 TensorFlow-Keras 中导入 LSTM 和 BiLSTM 层

长短期记忆 (LSTM) 网络

使用 LSTM 网络解决回归问题,使用双向 LSTM 层向全序列上下文学习

深度学习优化

使用 Adam、RMSProp 和梯度裁剪改进网络训练

关于这些功能和相应函数的详细信息,请参阅 发行说明

MATLAB 实现深度学习

设计、构建和可视化深度学习网络

有疑问吗?

联系 Deep Learning Toolbox 技术专家 Shounak Mitra

获取免费试用版

30 天探索触手可及。

马上下载

准备购买?

获取详细价格和并探索相关产品。

您是学生吗?

获得 MATLAB 和 Simulink 学生版软件。

了解更多