开始使用深度学习工具箱

设计、训练和分析深度学习网络

Deep Learning Toolbox™提供了一个框架，用于设计和实现具有算法、预训练模型和应用程序的深度神经网络。您可以使用卷积神经网络(ConvNets, cnn)和长短时记忆网络(LSTM)对图像、时间序列和文本数据进行分类和回归。您可以使用自动区分、自定义训练循环和共享权重来构建生成对抗网络(GANs)和暹罗网络等网络架构。通过Deep Network Designer应用程序，您可以图形化地设计、分析和训练网络。实验管理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，并比较来自不同实验的代码。您可以可视化层激活和图形化监控训练进展。

你可以通过ONNX™格式与TensorFlow™和PyTorch交换模型，并从TensorFlow- keras和Caffe导入模型。该工具箱支持使用Dark万博1manbetxNet-53、ResNet-50、NASNet、SqueezeNet和许多其他工具进行迁移学习pretrained模型．

您可以在单个或多个gpu工作站(使用并行计算工具箱™)上加速培训，或扩展到集群和云，包括NVIDIA^® GPU云和亚马逊EC2^®GPU实例(MATLAB^®并行服务器™)．

致谢

教程

开始深度网络设计器
这个例子展示了如何使用深度网络设计器来适应预先训练的GoogLeNet网络来分类新的图像集合。
在10行MATLAB代码中尝试深度学习
学习如何使用深度学习识别在线摄像头上的物体与AlexNet预训练网络。
利用预训练网络对图像进行分类
这个例子展示了如何使用预先训练的深度卷积神经网络GoogLeNet对图像进行分类。
从迁移学习开始
这个例子展示了如何使用迁移学习对SqueezeNet进行再训练，这是一个预先训练好的卷积神经网络，来对一组新的图像进行分类。
创建简单的图像分类网络
这个例子展示了如何创建和训练一个简单的卷积神经网络的深度学习分类。
使用深层网络设计器创建简单的图像分类网络
这个例子展示了如何创建和训练一个简单的卷积神经网络深度学习分类使用深度网络设计器。
使用深层网络设计器创建简单序列分类网络
这个例子展示了如何使用Deep network Designer创建一个简单的long -term memory (LSTM)分类网络。

肤浅的网络

浅网络的模式识别，聚类和时间序列
使用app和函数设计浅层神经网络，用于函数拟合、模式识别、聚类和时间序列分析。

特色的例子

利用深度学习对摄像头图像进行分类

利用预先训练好的深度卷积神经网络GoogLeNet实时对网络摄像头中的图像进行分类。

打开脚本

训练深度学习网络分类新图像

利用迁移学习对卷积神经网络进行再训练，对一组新的图像进行分类。

打开生活的脚本

基于深度学习的时间序列预测

利用长短时记忆(LSTM)网络预测时间序列数据。

打开生活的脚本

交互式学习

深度学习斜坡弯道
这个免费的，两个小时的深度学习教程提供了一个交互式的介绍实际的深度学习方法。您将学习在MATLAB中使用深度学习技术进行图像识别。

视频

交互修改一个用于迁移学习的深度学习网络
深层网络设计器是一个创建或修改深层神经网络的点击工具。本视频展示了如何在迁移学习流程中使用该应用程序。它演示了与在命令行中修改层不同，您可以轻松地使用该工具修改导入网络中的最后几个层。您可以使用网络分析器检查修改后的体系结构中是否存在连接和属性赋值错误。