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、CNN)和长短时记忆(LSTM)用于对图像、时间序列和文本数据执行分类和回归的网络。您可以构建网络体系结构,如生成性对抗网络(GAN)以及使用自动区分、自定义训练循环和共享权重的暹罗网络。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,并比较来自diff的代码不同的实验。你可以可视化图层激活和图形化监控训练进度。
您可以使用TensorFlow交换模型™ 和Pytork通过ONNX™ 从TensorFlow Keras和Caffe格式化和导入模型。工具箱支持使用DarkNet-53、ResNet-50、NASNet、SqueezeNet和许多其他工具进行迁移学习万博1manbetx预训练模型.
您可以在单个或多个GPU工作站上加速培训(使用并行计算工具箱)™), 或者扩展到集群和云,包括NVIDIA® GPU云和亚马逊EC2®GPU实例(带有MATLAB®并行服务器™).
学习深入学习工具箱的基础知识
从头开始训练卷积神经网络或使用预训练网络快速学习新任务
为时间序列分类、回归和预测任务创建和训练网络
以交互方式构建和训练网络,管理实验,绘制训练进度,评估准确性,解释预测,调整训练选项,并可视化网络学习的功能
通过本地或云中的多个GPU扩展深度学习,并以交互方式或批量作业方式培训多个网络
通过计算机视觉、图像处理、自动驾驶、信号、音频、文本分析和计算金融扩展深度学习工作流
导入、导出和自定义深度学习网络,并自定义层、训练循环和丢失功能
为深度学习管理和预处理数据
生成C/C++,CUDA®,或HDL代码,并部署深度学习网络
使用浅层神经网络对非线性动态系统进行回归、分类、聚类和建模