Deep Learning Toolbox

重要更新

 

Deep Learning Toolbox

设计、训练、分析和仿真深度学习网络

面向工程师的深度学习

创建和使用可解释、可扩展的稳健深度学习模型,用于自动化视觉检查、降阶建模、无线通信、计算机视觉和其他应用。

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。

深度学习压缩

通过量化、投影或剪枝来压缩深度学习网络,以减少其内存占用并提高推断性能。使用深度网络量化器评估推断性能和准确度。

扩展深度学习

使用 GPU、云加速和分布式计算加速深度学习训练。并行训练多个网络,并将深度学习计算工作负载转移到后台运行。

​“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

获取免费试用版

30 天探索触手可及。


准备购买?

获取报价并了解相关产品。

您是学生吗?

您的学校可能已拥有 Campus-Wide License 并允许您直接使用 MATLAB、Simulink 和其他附加产品。