开始深度学习工具箱
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™ 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 Cloud and Amazon EC2®GPU实例（带有MATLAB®并行服务器™).
教程
- 开始使用Deep Network Designer
此示例显示如何使用深网络设计器来调整佩带的Googlenet网络以对新的图像集进行分类。
- 尝试在10行的MATLAB代码中深入学习
了解如何使用深度学习在AlexNet预训练网络的实时网络摄像头上识别对象。
- 使用佩带的网络对图像进行分类
此示例显示如何使用佩带的深卷积神经网络Googlenet对图像进行分类。
- 开始学习
本例展示了如何使用转移学习对预训练卷积神经网络SqueezeNet进行再训练，以对一组新图像进行分类。
- 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进行深度学习分类。
- 使用Deep Network Designer创建简单的图像分类网络
这个例子展示了如何使用deep network Designer创建和训练一个简单的卷积神经网络进行深度学习分类。
- 使用Deep Network Designer创建简单的序列分类网络
此示例演示如何使用Deep network Designer创建简单的长短时记忆（LSTM）分类网络。
浅层网络
- 用于模式识别，聚类和时间序列的浅网络
使用应用程序和函数设计用于函数拟合、模式识别、聚类和时间序列分析的浅层神经网络。
特色例子
互动学习
深度学习入门
这个免费的，两小时的深度学习教程提供了对实用深度学习方法的交互式介绍。您将学习在MATLAB中使用深度学习技术进行图像识别。
视频
交互式修改深度学习网络以进行迁移学习
Deep Network Designer是一种点击式工具，用于创建或修改深度神经网络。本视频演示如何在转移学习工作流中使用该应用程序。它演示了如何轻松地使用该工具修改导入网络中的最后几层，而不是在命令行中修改层。您可以使用网络分析器检查修改后的体系结构中的连接和属性分配错误。
与MATLAB的深度学习：11行MATLAB代码中的深度学习
请参阅如何使用MATLAB，简单的网络摄像头和深度神经网络来识别周围环境中的对象。
与MATLAB深度学习：在10行MATLAB代码中转移学习
了解如何使用MATLAB中的转移学习重新训练专家为您自己的数据或任务创建的深度学习网络。
您还可以从以下列表中选择网站：
