深学习工具箱
创建、分析并训练深学习网络
深学习工具箱TM提供框架设计实施深神经网络并配有算法、预培训模型和应用程序可使用卷积神经网络(ConvNets、CNNs)和长期短期存储网络对图像、时间序列和文本数据进行分类回归应用和图解帮助您视觉化激活,编辑网络架构并监控培训进度
小型培训机组可使用预培训深网络模型(包括SquezeNet、Neption-v3、ResNet-101、GoogleNet和VGG-19)和从TensorFlowTM-Keras和Caffe导入模型
加速大型数据集培训,您可以在桌面多极处理器和GPU分布计算数据(并行电子工具箱TM)或升级至集群和云层,包括亚马逊EC2®P2、P3和G3GPU实例MATLAB®并行服务器TM)
开始启动
学习深学习工具箱基础
深学习图像
编程神经网络从零开始或使用预培训网络快速学习新任务
深入学习时间序列、序列和文本
创建并培训时间序列分类、回归和预测任务网络
深学习教程可视化
绘图培训进度、评估精度、预测、调程培训选项和网络学习可视化特征
并行和云深学习
与多GPU局部或云中逐步深入学习并交互培训多网络或批量作业
深学习应用
扩展深入学习工作流并配有计算机视觉、图像处理、自动化驱动、信号和音频
深学习导入输出定制
导入输出网络,定义自定义深学习层并定制数据存储器
深学习代码生成
生成MATLAB代码或CUDA®C++代码部署深学习网络
函数近似并分组
使用浅神经网络执行回归、分类和聚类
时间序列控制系统
模型非线性动态系统使用浅网络使用顺序数据预测