开始深度学习工具箱
深度学习工具箱™提供了一个框架,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(ConvNets, cnn)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生成式对抗网络(GANs)和Siamese网络等网络架构。使用深度网络设计器应用程序,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,并比较来自不同实验的代码。您可以可视化层激活和图形监控训练进度。
您可以从TensorFlow™2、TensorFlow- keras和PyTorch导入网络和图层图形®ONNX™(开放神经网络交换)模型格式,以及Caffe。您还可以将深度学习工具箱网络和层图导出为TensorFlow 2和ONNX模型格式。该工具箱支持DarkNe万博1manbetxt-53, ResNet-50, NASNet, SqueezeNet和许多其他的迁移学习pretrained模型.
您可以在单个或多个gpu工作站(使用并行计算工具箱™)上加速训练,或扩展到集群和云,包括NVIDIA®GPU云和Amazon EC2®GPU实例(使用MATLAB®并行服务器™).
教程
- 来一个实用的深度网络设计器
Questo esempio mostra come utilizzare Deep Network Designer per adattare una rete GoogLeNet preaddestrata真主安拉classificazione di una nuova raccolta di immagini。
- Prova il深度学习在10对di codice MATLAB
Scopri来利用il深度学习每identificare gli oggetti su网络摄像头直播con la rete preaddestrata AlexNet。
- 关于前地层的想象分类
问题来了,分类是un ' immagare con la rete neurale convoluzionale profonda preaddestrata GoogLeNet。
- 我们可以利用迁移学习
问esempio mostra come利用il迁移学习per riaddestrare SqueezeNet, una rete neurale convoluzionale preaddestrata, per classificare un nuovo set di immagini。
- 我的想法,我的想法,我的想法
在深度学习的基础上,我们来研究一下神经卷积的问题。
- 深度网络设计的一个简单设计
关于深度学习和深度网络设计的问题。
- 深层网络设计器
在深度网络设计器的基础上,对长、短时记忆进行分类。
肤浅的网络
- 浅表视网膜模式识别,聚类
利用真菌和体表视网膜的函数拟合,模式识别,聚类和时间分析。
初级钢琴的Esempi
Apprendimento interattivo
深度学习入口
这个免费的,两个小时的深度学习教程提供了一个交互式的深度学习方法介绍。您将学习在MATLAB中使用深度学习技术进行图像识别。
视频
交互修改用于迁移学习的深度学习网络
Deep Network Designer是一个用于创建或修改深度神经网络的点击工具。这个视频展示了如何在迁移学习工作流中使用该应用程序。它演示了使用该工具修改导入网络中的最后几个层(而不是在命令行中修改层)的简单性。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。
用MATLAB进行深度学习:11行MATLAB代码中的深度学习
看看如何使用MATLAB,一个简单的网络摄像头,和一个深神经网络来识别周围的物体。
用MATLAB进行深度学习:10行MATLAB代码中的迁移学习
学习如何使用转帐学习用MATLAB重新训练深学习由专家为您自己的数据或任务创建的网络。