深度学习工具箱™为设计和实施与算法,预先训练模型和应用中的深层神经网络的框架。您可以使用卷积神经网络(ConvNets,细胞神经网络)和长短期记忆(LSTM)网络上的图像,时间序列和文本数据进行分类和回归。你可以建立网络体系结构,如使用自动分化,定制培训循环和共享权重生成对抗网络(甘斯)和连体网络。与深网络设计的应用程序,你可以设计,分析和列车网络图形。该实验管理器应用程序可以帮助您管理多个深度学习实验,跟踪训练参数,分析结果,并从不同的实验对比的代码。你可以想像层激活和图形显示器训练进度。
您可以通过从TensorFlow-Keras,但Caffe的ONNX™格式和进口车型交换TensorFlow™和PyTorch模型。与暗网-53工具箱支撑转万博1manbetx印学习,RESNET-50,NASNet,SqueezeNet和许多其他预训练模式。
您可以加速单个或多个GPU的工作站上训练(并行计算工具箱™),或扩展到集群和云,其中包括NVIDIA® GPU Cloud and Amazon EC2® GPU instances (withMATLAB®并行服务器™)。
深入学习学习工具箱的基础知识
从头训练卷积神经网络或使用预训练的网络快速学习新的任务
创建和训练网络的时间序列分类,回归和预测任务
管理实验,情节训练进度,评估的准确性,做出预测,调整培训方案和可视化功能通过网络了解到
扩展了多GPU深度学习本地或在云交互或批处理作业训练多个网络
延伸,以与计算机视觉,图象处理,自动驾驶,信号,和音频深学习工作流
进口,出口,并自定义深学习网络,以及自定义层,培养循环,而丧失功能
管理和深度学习预处理数据
生成MATLAB代码或CUDA®和C ++代码和部署深学习网络
使用浅神经网络进行回归分析,分类,聚类和模型的非线性动力系统