Deep Learning Toolbox 提供用于设计、实现和仿真深度神经网络的函数、App 和 Simulink 模块。该工具箱提供了一个框架来创建和使用多种类型的网络,如卷积神经网络 (CNN) 和变换器。您可以可视化和解释网络预测、验证网络属性以及通过量化、投影或剪枝来压缩网络。
借助深度网络设计器,您可以通过交互方式设计、编辑和分析网络,导入预训练模型并将网络导出到 Simulink。该工具箱可用于与其他深度学习框架进行互操作。您可以导入 PyTorch®、TensorFlow™ 和 ONNX™ 模型进行推断、迁移学习、仿真和部署。您还可以将模型导出到 TensorFlow 和 ONNX。
您可以为经过训练的网络自动生成 C/C++、CUDA® 和 HDL 代码。
Simulink 中的深度学习
使用深度学习和 Simulink 来测试深度学习模型与更大系统的集成。基于 MATLAB 或 Python 仿真模型,以评估模型行为和系统性能。
与 PyTorch 和 TensorFlow 集成
使用基于 Python 的深度学习框架交换深度学习模型。导入 PyTorch、TensorFlow 和 ONNX 模型,并仅用一行代码就可将网络导出到 TensorFlow 和 ONNX。在 MATLAB 和 Simulink 中协作执行基于 Python 的模型。
代码生成和部署
自动生成优化的 C/C++ 代码(使用 MATLAB Coder)和 CUDA 代码(使用 GPU Coder)以部署到 CPU 和 GPU。生成可综合的 Verilog® 和 VHDL® 代码(使用 Deep Learning HDL Toolbox)以部署到 FPGA 和 SoC。
可解释性和验证
可视化深度神经网络的训练进度和激活。使用 Grad-CAM、D-RISE 和 LIME 解释网络结果。验证深度神经网络的稳健性和可靠性。
网络设计和训练
使用深度学习算法创建 CNN、LSTM、GAN 和变换器,或使用预训练模型执行迁移学习。自动标注、处理和增强图像、视频和信号数据以用于网络训练。
低代码 App
使用深度网络设计器加速内置模型和基于 Python 的模型的网络设计、分析和迁移学习。使用试验管理器调节和比较多个模型。
产品资源:
“这是我们第一次在动力总成系统 ECU 上使用神经网络仿真传感器。如果没有 MATLAB 和 Simulink,我们将不得不使用手动编码过程,而这个过程会非常繁琐、缓慢且容易出错。”
Katja Deuschl,梅赛德斯-奔驰汽车公司的 AI 开发人员