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。
低代码 App
使用时间序列建模器对时间序列数据进行可视化、构建、训练和比较 AI 模型。使用深度网络设计器加速内置模型和基于 Python 的模型的网络设计与分析。
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。
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。”
Deep Learning Toolbox FAQs
Deep Learning Toolbox 提供函数、App 和 Simulink 模块，用于设计、实现和仿真深度神经网络，例如 CNN、LSTM 和 Transformer。
您可以创建卷积神经网络 (CNN)、LSTM、GAN 和 Transformer，也可以使用预训练模型进行迁移学习。
可以。您能够导入 PyTorch、TensorFlow 和 ONNX 模型进行推断、迁移学习、仿真和部署，并通过一行代码将网络导出为 TensorFlow 和 ONNX 格式。
借助深度网络设计器，您可以交互式地设计、编辑和分析网络，导入预训练模型，并将网络导出到 Simulink。
借助时间序列建模器，您可以可视化、预处理和加载时间序列数据，交互式地设计、编辑和训练神经网络，并将网络导出到 Simulink，以处理时间序列回归和预测问题，例如虚拟传感器建模。
支持。该工具箱支持 GPU 加速，可加快深度学习的训练和计算速度。
可以。您能够为训练好的网络自动生成经过优化的 C/C++、CUDA 和 HDL 代码，以部署到 CPU、GPU、MCU 和 FPGA。
您可以可视化训练进度和激活值，使用 Grad-CAM、D-RISE 和 LIME 解释网络结果，并借助 Deep Learning Toolbox Verification Library 验证深度神经网络的稳健性和可靠性。
可以。您能够使用深度网络设计器分析网络的压缩可行性，然后使用深度网络量化器通过量化、投影或剪枝来压缩网络，从而减少内存占用并提升推断性能。
可以。您能够将深度学习模型集成到 Simulink 中，测试其与更大系统的集成，并仿真基于 MATLAB 或 Python 的模型。
