深度学习工具箱
设计、培训和分析深度学习网络
深度学习工具箱™ 提供一个框架,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(convnet、CNNs)和长-短期记忆(LSTM)网络对图像、时间序列和文本数据执行分类和回归。您可以使用自动区分、自定义训练循环和共享权重构建网络体系结构,如生成性对抗网络(GAN)和暹罗网络。使用Deep Network Designer应用程序,您可以图形化地设计、分析和训练网络。“实验管理器”应用程序可帮助您管理多个深度学习实验、跟踪训练参数、分析结果以及比较不同实验的代码。您可以可视化图层激活并以图形方式监控培训进度。
您可以使用TensorFlow交换模型™ 通过ONNX格式和TensorFlow Keras和Caffe导入模型。工具箱支持使用DarkNet-53、ResNet-50、NASNet、SqueezeNet和许多其他预训练模型进行迁移学习。万博1manbetx
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Amazon EC2® GPU实例(使用MATLAB并行服务器™)。
开始:
MATLAB 2021年世博会
5月4-5日|在线
卷积神经网络
学习图像中的模式来识别物体、面孔和场景。构建和训练卷积神经网络(CNNs)进行特征提取和图像识别。
长短时记忆网络
学习序列数据的长期依赖关系,包括信号、音频、文本和其他时间序列数据。构建和训练长短期记忆(LSTM)网络进行分类和回归。
网络体系结构
使用各种网络结构,包括有向无环图(DAG)和循环架构来构建您的深度学习网络。使用自定义训练循环、共享权值和自动区分构建高级网络架构,如生成式对抗网络(gan)和暹罗网络。
设计深度学习网络
使用deep network Designer应用程序从头开始创建和训练一个深度网络。导入一个预先训练的模型,可视化网络结构,编辑层,调整参数,并训练。
分析深度学习网络
在培训之前,分析您的网络体系结构以检测和调试错误、警告和层兼容性问题。可视化网络拓扑并查看详细信息,如可学习的参数和激活。
管理深度学习实验
使用实验管理器应用程序管理多个深度学习实验。跟踪训练参数,分析结果,比较不同实验的代码。使用可视化工具,如训练图和混淆矩阵,对实验结果进行排序和过滤,并定义自定义指标来评估训练后的模型。
转移学习
使用预先训练过的网络,并将其作为学习新任务的起点。执行迁移学习,将在网络中学习到的特征用于特定的任务。
Pretrained模型
用一行代码访问最新研究的预训练网络。导入预训练模型,包括DarkNet-53, ResNet-50, SqueezeNet, NASNet,和Inception-v3。
网络激活和可视化
提取对应于层的激活,可视化学习的特征,并使用激活训练机器学习分类器。使用Grad CAM、occlusion和LIME解释深度学习网络的分类决策。
ONNX转换器
在MATLAB中导入和导出ONNX模型®用于与其他深度学习框架的互操作性。ONNX允许在一个框架中训练模型,并将其转移到另一个框架中进行推理。使用GPU编码器™生成优化的NVIDIA®库达®代码和使用MATLAB编码器™为导入的模型生成C++代码。
咖啡馆进口商
将Caffe Model Zoo中的模型导入MATLAB进行推理和迁移学习。
GPU加速
使用高性能NVIDIA GPU加快深度学习培训和推理。在数据中心或云中的单个工作站GPU上执行培训,或使用DGX系统扩展到多个GPU。您可以使用MATLAB与并行计算工具箱以及大多数支持cuda的NVIDIA gpu计算能力3.0及以上.
分布式计算
使用MATLAB并行服务器在网络上的多个服务器上的多个处理器上运行深度学习训练。
模拟
在Simulink中对深度学习网络进行仿真并生成代码万博1manbetx®.使用AlexNet, GoogLeNet和其他预先训练过的模型。您还可以模拟从头创建或通过迁移学习创建的网络,包括LSTM网络。在Simulink中使用GPU编码器和NVIDIA GPU加速深度学习网络的执行。万博1manbetx使用控制、信号处理和传感器融合组件模拟深度学习网络,以评估深度学习模型对系统级性能的影响。
代码生成
使用GPU编码器生成优化的CUDA代码,MATLAB编码器和万博1manbetx仿真软件编码器生成C和c++代码,将深度学习网络部署到NVIDIA gpu, Intel®至强®和手臂®皮质®-A处理器。自动将生成的代码交叉编译和部署到NVIDIA Jetson上™ 驾驶™ 平台和树莓皮™ 董事会。使用深度学习HDL工具箱™用于在fpga和soc上原型和实现深度学习网络
深度学习量化
量化您的深度学习网络,以减少内存使用和提高推理性能。使用Deep Network Quantizer应用程序分析和可视化提高性能和推理精度之间的权衡。
部署独立的应用程序
使用MATLAB编译器™和MATLAB编译器SDK™部署训练有素的网络作为c++共享库,微软® .NET程序集,Java® 类和Python® 软件包来自MATLAB程序与深度学习模型。
无监督网络
通过让浅层网络不断调整自身以适应新的输入,找到数据之间的关系并自动定义分类方案。使用自组织、无监督网络以及竞争层和自组织地图。
堆叠Autoencoders
通过使用自动编码器从数据集中提取低维特征,执行无监督特征转换。你也可以通过训练和堆叠多个编码器来使用堆叠自动编码器进行有监督的学习。