深度学习工具箱
深度学习工具箱™には,アルゴリズム,事前学習済みモデル,およびアプリを使用したディープニューラルネットワークの設計と実装のためのフレームワークが用意されています。畳み込みニューラルネットワーク(回旋网,CNN)および長・短期記憶(LSTM)ネットワークを使用して,画的像,時系列,およびテキストデータの分類および回帰を行えます。自動微分,カスタムの学習ループ,重み共有を使用して,敵対的生成ネットワーク(GAN)や暹罗ネットワークのようなネットワークアーキテクチャを構築できます。深层网络设计师アプリを使用すると,ネットワークをグラフィカルに設計,分析し,学習させることができます。実験マネージャーアプリでは,複数のディープラーニング実験の管理,学習パラメーターの追跡,結果の解析,およびさまざまな実験のコードの比較を行うことができます。層の活性化状態を可視化し,学習進行状況をグラフィックで監視することができます。
ONNX形式を使用してTensorFlow™やPyTorchとモデルを交換したり,TensorFlow-Kerasや咖啡からモデルをインポートできます。ツールボックスは,DarkNet-53, ResNet-50, NASNet, SqueezeNetやその他多くの事前学習済みのモデルを用いた転移学習をサポートします。
并行计算工具箱™を使用して,単一のまたは複数のGPUを持つワークステーションで学習速度を上げたり,MATLAB并行服务器™を使用して,NVIDIA®GPU云および亚马逊EC2®图形处理器cpuンスタンスを含むクラスタ,やクラウドにスケ,ルアップすることができます。
ディ,プラ,ニングアプリケ,ション
自動運転,信号および音声処理,無線通信,画像処理などの分類,回帰,表現学習アプリケーションのためのディープラーニングモデルを学習します。
ネットワ,ク設計およびモデル管理
ロ,コ,ドアプリを使用して,ディ,プラ,ニングモデルの開発を加速します。ディープネットワークデザイナーアプリを使用して,ネットワークの作成,学習,解析,デバッグを行います。実験マネ,ジャ,アプリを使用して,複数のモデルを調整および比較します。
事前学習済みモデル
Matlabのコ,ドを1行書くだけで,広く利用されているモデルにアクセスできます。ONNX形式に変換したPyTorch™やTensorFlow™を使用して,任意のモデルをMATLABにインポートできます。
説明可能性
ディ,プラ,ニングネットワ,クにおいて,学習進行状況,学習した特徴の活性化状態を可視化します。Grad-CAM,オクルージョンマッピング,石灰を使用して,ディープラーニングモデルの結果を説明します。
コ,ド生成
GPU Coder™を使用して最適化されたCUDA®コードを自動的に生成し,MATLAB编码器™を使用してCおよびc++コードを生成して,ディープラーニングネットワークをNVIDIA GPUと各種プロセッサに展開します。深度学习HDL工具箱™を使用して,FPGAやSoC上でディープラーニングネットワークをプロトタイピングおよび実装します。
万博1manbetxSimulinkを使用したシミュレ,ション
制御,信号処理,およびセンサーフュージョンコンポーネントを使用して,ディープラーニングネットワークをシミュレーションし,ディープラーニングモデルがシステムレベルのパフォーマンスに与える影響を評価します。
ディ,プラ,ニングの圧縮
ディープラーニングネットワークの量子化および枝刈りにより,メモリ使用量を低減し,推論性能を高めます。深层网络量化器アプリを使用して,性能向上と推論精度のトレードオフを解析および可視化します。