深度学习工具箱™提供了一个框架为设计和实现深层神经网络算法,pretrained模型和应用。您可以使用卷积神经网络(回旋网,cnn)和长期短期记忆(LSTM)网络对图像进行分类和回归、时间序列和文本数据。您可以构建网络体系结构如生成对抗网络(甘斯)和暹罗网络使用自动分化、定制培训循环,和共享的权重。与深层网络设计师应用程序,您可以设计,分析和训练网络图形。实验管理器应用程序帮助您管理多个深度学习实验,跟踪训练参数,分析结果,比较从不同的实验代码。你可以想象层激活和图形化监控培训进展。
可以导入网络和图层图表来自TensorFlow™2, TensorFlow-Keras PyTorch®,ONNX™(打开神经网络交换)模型格式,和咖啡。您还可以导出深度学习工具箱网络和图形TensorFlow 2层和ONNX模型格式。工具箱支持转移学习Dar万博1manbetxkNet-53 ResNet-50, NASNet SqueezeNet和许多其他pretrained模型。
你可以加快训练在单一或multiple-GPU工作站(并行计算工具箱™),或扩大集群和云,包括NVIDIA® GPU云和Amazon EC2® GPU实例(MATLAB并行服务器™)。
网络设计和模型管理
加快利用low-code深度学习模型应用的发展。创建、培训、分析和调试网络使用深层网络设计师应用。优化和比较多个模型使用实验管理器应用程序。
Pretrained模型
访问受欢迎的模型在MATLAB一行代码。使用PyTorch™通过ONNX和TensorFlow™任何模型导入MATLAB。
代码生成
自动生成优化的CUDA®代码与GPU编码器™,并生成C和c++代码与MATLAB编码器™部署深度学习网络NVIDIA GPU和各种处理器。原型,在fpga上实现深度学习网络和soc使用深度学习HDL工具箱™。
模拟与仿真软件万博1manbetx
模拟深度学习网络与控制、信号处理和传感器融合组件来评估你的深度学习模型对系统级性能的影响。