深度学习工具箱提供了用于创建、训练和分析深度网络的算法和工具。您可以使用CNNs的深度学习进行图像分类，使用LSTM网络进行时间序列和序列数据的深度学习。Deep Learning Toolbox提供了大量可以利用的预构建示例，包括对场景中移动的对象进行分类和使用回归检测面部特征。您还可以使用自定义训练循环、共享权重和自动区分来构建高级网络架构，如GANs和Siamese网络。

在20a，我们将引入实验管理app来管理多个深度学习实验。您可以跟踪训练参数、分析结果、比较来自不同实验的代码，以及使用可视化工具(如训练图和混淆矩阵)来评估训练后的模型。我们还更新了Deep Network Designer应用程序，以便在一开始就可以轻松地选择现有的预先训练好的模型，用于传输学习工作流，或者您也可以使用拖放界面从头设计一个网络，该界面允许您可视化层和连接，并添加可学习的层参数。在20a中，在设计和分析你的网络之后，你可以导入你的数据，检查你的数据，设置训练选项，比如学习率和epoch的数量，最后训练你设计的网络，所有这些都在app中。最后，将您的网络导出到工作空间，或者生成其相应的MATLAB代码，以便您的同事能够轻松地重现和改进您的工作。

您可以从头开始或利用迁移学习与预训练的网络，如RESNET和启创网络架构。深度学习工具箱支持与其他框架，包括Tenso万博1manbetxrFlow，PyTorch和MXNet互操作性。您也可以从TensorFlow-Keras，但Caffe导入网络和网络架构。而且，由于深学习工具箱支持ONNX模型格式，可以导入模型，利用M万博1manbetxATLAB像可视化和优化您的网络任务，然后导出您的使用模型等深学习框架。

你可以在单一或多GPU工作站上加速训练，或者扩展到集群和云，包括NVIDIA的GPU云和Amazon EC2的GPU实例。

深度学习工具箱可以与代码生成工具结合使用，使您能够深度学习算法部署到像NVIDIA GPU和英特尔和ARM处理器的目标。这种自动生成的代码提供了推断应用显著的性能提升。

如果您需要您所训练的网络占用更小的空间，您还可以对模型和目标NVIDIA gpu执行int8量化，以便进行嵌入式部署。

有关深学习工具箱的更多信息，请查看深度学习工具箱产品页面，不要犹豫，有任何问题请联系我们。