开始使用深度学习工具箱

设计，培训和分析深度学习网

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云和Amazon EC2^® GPU instances (withMATLAB^®并行服务器™）。

致谢

教程

开始使用深层网络设计者
这个例子说明了如何微调预训练GoogLeNet网络图像的新的集合进行分类。
在10行MATLAB代码中尝试深度学习
了解如何使用深度学习，以确定对现场摄像头的对象与AlexNet预训练网络。
基于预训练网络的图像分类
这个例子展示了如何使用预训练的深卷积神经网络GoogLeNet对图像进行分类。
开始转移学习
这个例子说明了如何使用迁移学习再培训SqueezeNet，预训练卷积神经网络，一组新的图片进行分类。
创建简单的图像分类网络
这个例子显示了如何创建和训练的深度学习分类的简单卷积神经网络。
创建简单序列分类网络使用Deep网络设计者
这个例子说明了如何使用Deep网络设计者长创建一个简单的短期记忆（LSTM）的分类网络。

浅网

模式识别、聚类和时间序列的浅层网络
使用应用程序和功能设计浅神经网络的函数拟合，模式识别，聚类和时间序列分析。

特色示例

使用深度学习对网络摄像头图像进行分类

使用预先训练的深卷积神经网络GoogLeNet对来自网络摄像机的图像进行实时分类。

打开脚本

火车深学习网络分类新形象

使用转接学习再培训卷积神经网络，一组新的图片进行分类。

打开实时脚本

基于深度学习的时间序列预测

使用长短期记忆（LSTM）网络预测的时间序列数据。

打开实时脚本

在线学习

深度学习匝道
这个免费的，两个小时的深度学习教程提供了一个互动介绍实用的深度学习方法。您将学习在MATLAB中使用深度学习技术进行图像识别。

视频

交互式修改深入学习网络迁移学习
深网Designer是用于创建或修改深层神经网络的一个点的点击工具。该视频展示了如何使用应用程序的迁移学习工作流程。这表明，政府可以使用该工具来修改最后几层所导入的网络中，而不是在命令行修改层的难易程度。您可以检查修改后的架构，使用网络分析仪连接错误和财产分配。