开始使用深度学习工具箱
深度学习工具箱™提供了一个框架为设计和实现深层神经网络算法,pretrained模型和应用。您可以使用卷积神经网络(回旋网,cnn)和长期短期记忆(LSTM)网络对图像进行分类和回归、时间序列和文本数据。您可以构建网络体系结构如生成对抗网络(甘斯)和暹罗网络使用自动分化、定制培训循环,和共享的权重。与深层网络设计师应用程序,您可以设计,分析和训练网络图形。实验管理器应用程序帮助您管理多个深度学习实验,跟踪训练参数,分析结果,比较从不同的实验代码。你可以想象层激活和图形化监控培训进展。
可以导入网络和图层图表来自TensorFlow™2, TensorFlow-Keras, PyTorch®,ONNX™(打开神经网络交换)模型格式,和咖啡。您还可以导出深度学习工具箱网络和图形TensorFlow 2层和ONNX模型格式。工具箱支持转移学习Dar万博1manbetxkNet-53 ResNet-50, NASNet SqueezeNet和许多其他pretrained模型。
你可以加快训练在单一或multiple-GPU工作站(并行计算工具箱™),或扩大集群和云,包括NVIDIA®云计算和Amazon EC2 GPU®GPU实例(MATLAB®并行服务器™)。
教程
- 开始使用深层网络设计师
这个例子展示了如何使用深层网络设计师适应pretrained GoogLeNet网络分类新图片的集合。 - 学习开始转移
这个例子展示了如何使用转移学习再教育SqueezeNet, pretrained卷积神经网络,对一组新的图像进行分类。 - 创建简单的图像分类网络使用深层网络设计师
这个例子展示了如何创建和培养深度学习的一个简单卷积神经网络分类使用深层网络设计师。 - 创建简单的序列分类网络使用深层网络设计师
这个例子展示了如何创建一个简单的长短期记忆(LSTM)分类网络使用深网络设计师。 - 试着深入学习MATLAB的10行代码
学习如何使用深度学习在一个摄像头来识别对象SqueezeNet pretrained网络。 - 使用Pretrained网络分类图像
这个例子展示了如何使用的分类图像卷积神经网络GoogLeNet pretrained深。 - 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。
应用程序工作流程
命令行工作流程
特色的例子
交互式学习
深度学习斜坡弯道
这个免费,两小时的深度学习教程提供了一个互动的实际深度学习方法介绍。你将学习使用深度学习MATLAB对图像识别技术。
视频
交互式修改转移学习深入学习网络
深层网络设计师是一个指向-点击工具用于创建或修改神经网络。这个视频展示了如何使用应用程序转移学习工作流程。它展示了缓解,您可以使用该工具来修改最后几层进口网络而不是修改层的命令行。您可以检查错误的修改架构使用网络分析仪连接和财产分配。
深度学习MATLAB:深度学习在11行MATLAB代码
看到如何使用MATLAB,一个简单的摄像头和一个深在你周围神经网络来识别对象。
深度学习与MATLAB:转移学习MATLAB的10行代码
学习如何使用传输学习在MATLAB重新培训深学习网络由专家为您自己的数据或任务。