深度学习工具箱
设计，列车和分析深度学习网络
深度学习工具箱™提供了一种设计和实现具有算法，预制模型和应用的深神经网络的框架。您可以使用卷积神经网络（Councnet，CNN）和长短期内存（LSTM）网络在图像，时序和文本数据上执行分类和回归。您可以使用自动分化，自定义训练循环和共享权重构建生成的对冲网络（GANS）和暹罗网络等网络架构。使用深度网络设计器应用程序，您可以以图形方式设计，分析和培训网络。实验管理器应用程序可帮助您管理多个深度学习实验，跟踪培训参数，分析结果和与不同实验的代码进行比较。您可以可视化图层激活和图形监控培训进度。
您可以通过Tennx格式和Pytorch与Tensorflow-Keras和Caffe的导入模型进行交换模型。Toolbox支持使用D万博1manbetxarknet-53，Reset-50，NASnet，Screezenet和许多其他预磨损模型进行转移学习。
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:
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。
长期短期内存网络
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。
与LSTMs合作。
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。
使用不同的网络架构。
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
分析您的网络架构以在培训前检测和调试错误，警告和层兼容性问题。可视化网络拓扑和查看详细信息，例如学习参数和激活。
分析一个深度学习网络架构。
管理深度学习实验
使用实验经理应用管理多个深度学习实验。跟踪培训参数，分析结果和与不同实验的代码进行比较。使用可视化工具，如培训图和混淆矩阵，排序和过滤实验结果，并定义定制度量标准以评估训练有素的型号。
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。
预训练模型的分析。
监控模型的训练进度。
网络激活和可视化
提取对应于图层的激活，可视化学习功能，并使用激活培训机器学习分类器。使用Grad-Cam，闭塞和石灰来解释深度学习网络的分类决策。
可视化激活。
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。用GPU编码器™生成优化的nvidia®CUDA.®代码和使用Matlab Coder™为导入模型生成C ++代码。
与深度学习框架互操作。
Caffe进口商
将Caffe Model Zoo中的模型导入MATLAB进行推理和迁移学习。
将Caffe模型动物园导入Matlab的模型。
GPU加速
高性能NVIDIA GPU加快深度学习培训和推论。对单个工作站GPU的培训或使用DGX系统或数据中心或云中的DGX系统进行培训。你可以使用matlab并行计算工具箱和最具资金会的NVIDIA GPU计算能力3.0及以上．
与gpu加速。
使用并行计算工具箱和MATLAB并行服务器加速云中的培训。
在平行和云中放大深度学习。
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。
Simulink中的深度卷积神经网络万博1manbetx®用于车道和车辆检测的模型
代码生成
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。将生成的代码的交叉编译和部署自动化到NVIDIA Jetson™和Drive™平台以及Raspberry PI™板上。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
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 assemblies, Java® 类和Python® 软件包来自MATLAB程序与深度学习模型。
使用MATLAB编译器共享独立MATLAB程序。
无监督的网络
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。
自组织映射。
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。
堆叠编码器。
