深度学习工具箱
Diseño, entrenamiento y análisis de redes de深度学习
深度学习工具箱™proporciona un marco para diseñar e implementar redes neuronales profundas con algoritmos, modelos previamente entrenados y apps。(ConvNet y CNN) y corto-largo广场记忆(LSTM) para realizar la clasificación y la regresión en imágenes，一系列临时和数据。可能的红色建筑antagónicas (GAN)和中间区域的红色建筑diferenciación automática，个人关系和个人比索。Con la app Deep Network Designer, puede diseñar, analizar y entrenar redes gráficamente。La app实验经理ayuda a gestionar varios实验de深度学习，实现un segimiento de los parámetros de entrenamiento，分析结果比较código de不同的实验。监工活动的视觉世界gráficamente心灵的进步。
Puede intercambiar modelos con TensorFlow™y PyTorch a través del formato ONNX e importar modelos de TensorFlow- keras y Caffe。La工具箱soporta La transferencia de aprendizaje DarkNet-53, ResNet-50, NASNet, SqueezeNet y muchos otros modelos previamente entrenados。
Puede acelerar el entrenamiento en una estación de trabajo con una o varias GPU (con Parallel Computing Toolbox™)o ampliar el alance a clusters y nubes，包括GPU de NVIDIA的实例®GPU云亚马逊EC2®(con MATLAB并行服务器™)。
Mas给:
神经丛红
Descubra patones en imágenes para reconocer objects, caras y escenas。conconciciales (CNN) para realizar la extracción de functionalidades y el conconciento de imágenes。
corto-largo广场
关于安全数据广场，包括数据señales，音频，文本和文本系列临时产品。对corto-largo广场记忆的纪念(LSTM)对实现的承诺clasificación y regresión。
Trabajo con des LSTM。
红色建筑
利用diversas estructuras de red, como grafo acíclico dirigido (DAG) y arquitecturas recurrentes, para crear su red de deep learning。Cree建筑的红色的avanzadas, como redes generativas antagónicas (GAN)和comos compartido和diferenciación automática。
红色建筑的区别。
Diseño深度学习
Cree y entrene una red profunda desde cero con la app深度网络设计师。导入一种模型，一种结构的视觉，一种结构的编辑，一种结构的调整parámetros我们的概念。
Análisis深度学习
关于探测错误的结构分析，关于与环境相适应的问题。Visualice la topología de la red y details tales como las activaciones y los parámetros que se pueden aprender。
Análisis de la arquitectura de una red de deep learning。
Administración深度学习实验
与应用程序实验经理一起管理各种深度学习实验。现实与现实的结合parámetros与现实的结合，结果的对比código与不同的实验。使用herramientas de visualización计算计算公式和矩阵confusión，过滤实验结果和定义métricas personalizadas para evaluate los entrenados模型。
Transferencia del prendizaje
在此之前，我们将继续utilícelas在此之前，我们将在此结束。移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木，移花接木específica。
Modelos previamente entrenados
在此之前，我们将进行调查más我们将独处línea código。进口modelos previamente entrenados，包括DarkNet-53, ResNet-50, SqueezeNet, NASNet e Inception-v3。
Análisis de modelos previamente entrenados。
友谊的进步
与人交往的进展iteración与人交往的关系métricas。代表gráficamente las métricas de validación con to a las métricas de entrenamiento para comprobar si la red presenta sobrejuste。
Supervisión社会进步与社会发展。
红激活剂
机器学习与机器学习相对应的辅助功能和分类方法。Utilice el enfoque梯度- cam para entender por qué una red de深度学习toma decisiones de clasificación。
Visualización de activaciones。
Conversor de ONNX
导入和导出模型ONNX en MATLAB® para permitir la interoperabilidad con otros marcos de深度学习。ONNX permite entrenar modelos on marco y transferirlos a otro para la inferencia。Utilice GPU编码器™ para generar código CUDA®optimizado para NVIDIA®yMATLAB编码器™para generar código c++ para el modelo importado.l。
深度学习的互操作性。
Importador de Caffe
导入Caffe模型动物园，MATLAB推理和转移程序。
Importación de modelos de Caffe模型动物园MATLAB。
Aceleración por GPU
深度学习与GPU NVIDIA的深度学习。真正的永恒永恒的唯一的GPU de estación de trabajo amplíe一个变化的GPU con sistemas DGX在数据的中心，在数据的中心。Puede实用程序MATLAB con并行计算工具箱y la mayoría de GPU NVIDIA habilitadas para CUDA con unaCapacidad de cálculo 3.0 o superior．
Aceleración con GPU。
Aceleración en la nube
关于深度学习的问题。使用实例，GPU, alto, rendimiento, para, obtentener, los, mejores，结果。
Aceleración del entrenamiento en la nube con并行计算工具箱和MATLAB并行服务器。
弗雷明distribuido
基于MATLAB并行服务器的深度学习综合处理方法。
Ampliación de深度学习en parallelo y en la nube。
Simulacion
模拟通用código对深度学习en Simulink万博1manbetx®．使用AlexNet, GoogLeNet和otros modelos previamente entrenados。También在此基础上，在此基础上，在此基础上，在此基础上，在此基础上，在此基础上，在此基础上。Acelere la ejecución de su red de deep learning en 万博1manbetxSimulink utizando GPU Coder y GPU NVIDIA。Simule redes de深度学习con components de control, procesamiento de señales y fusión de sensorres para evaluar cómo un modelo de深度学习puede mejorar el rendimiento en el nivel de sistema。
神经丛神经深部dentro de un model de Simulink万博1manbetx®Para detectar携带y vehículos
Generación de código
UtiliceGPU编码器para generar código CUDA optimizado a partir de código de MATLAB para deep learning, visión embrbida y sistemas autónomos。UtiliceMATLAB编码器para generar código C/ c++ y desplegar redes de深度学习处理器英特尔®至强®y的手臂®皮质®一。自动化la compilación cruzada y despliegue de código generado en las plataformas NVIDIA Jetson™y DRIVE™，así como en las placas树莓派™。
Cuantización de深度学习
Cuantice su de deep learning para INT8 y analice el trade相对于la precisión de cuantizar los pesos y sesgos de las capas seleccionadas utilization el paquete de soporte模型量化库。
独立申请
UtiliceMATLAB编译器™yMATLAB编译SDK™para desplegar redes entrenadas como librerías C/ c++ compartidas, ensamblos微软®.NET, Java类®y paquetes de Python®desde programas de MATLAB con modelos de深度学习。
MATLAB独立程序与MATLAB编译器。
红色supervisadas
对模型控制系统的浅表神经学研究dinámicos，未来事件的分类资料。
神经浅表发红。
没有监督
对应的数据和形式定义中心automática los esquemas de clasificación红色表面连续调整系统función de las entradas nuevas。使用redes con organización automática y sin supervisión, así como capas competitive as y mapas con organización automática。
Mapa con organización automática。
Autocodificadores apilados
Realice transformación de funconalidades no a través de la extracción de funconalidades de baja dimensión de sus conjuntos de datos mediante autocodificadores。También puede utizar自动编码apilados para el aprendizaje监管a través del entrenamiento y el apilamiento de varios编码。
Codificador apilado。
