开始吧深度学习工具箱
深度学习工具箱™ 为设计和实现具有算法、预训练模型和应用程序的深层神经网络提供了框架。可以使用卷积神经网络（ConvNets，CNNs）和长期短期记忆（LSTM）网络对图像、时间序列和文本数据执行分类和回归。可以使用自动区分、自定义训练循环和共享权重构建网络体系结构，如生成性对抗网络（GANs）和连体网络。使用Deep Network Designer应用程序，您可以以图形方式设计、分析和训练网络。“实验管理器”应用程序帮助您管理多个深度学习实验，跟踪训练参数，分析结果，并比较不同实验的代码。您可以可视化图层激活并以图形方式监视培训进度。
可以用TensorFlow交换模型™ 还有火把穿过ONNX™ 格式化并从TensorFlow Keras和Caffe导入模型。工具箱支持使用DarkNet-53、ResNet-50、NASNet、squezenet和许多其他工具进行转移学习万博1manbetx预训练模型.
您可以在一个或多个GPU工作站上加速培训（使用并行计算工具箱™)，或缩放到群集和云，包括NVIDIA® GPU云和Amazon EC2® GPU实例（带有MATLAB软件®并行服务器™).
教程
- 开始使用Deep Network Designer
这个例子展示了如何微调一个经过预训练的GoogLeNet网络来对一组新的图像进行分类。
- 在10行MATLAB代码中尝试深度学习
了解如何使用深度学习来识别AlexNet预训练网络的实时网络摄像头上的对象。
- 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
这个例子展示了如何使用转移学习重新训练压缩网，一个预先训练的卷积神经网络，分类一组新的图像。
- 创建简单的图像分类网络
这个例子展示了如何创建和训练一个简单的卷积神经网络用于深度学习分类。
- 使用Deep Network Designer创建简单的序列分类网络
这个例子展示了如何使用Deep network Designer创建一个简单的长短期内存（LSTM）分类网络。
浅层网络
- 模式识别、聚类和时间序列的浅层网络
使用应用程序和函数设计用于函数拟合、模式识别、聚类和时间序列分析的浅层神经网络。
特色示例
在线学习
深度学习入口匝道
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
交互修改用于转移学习的深度学习网络
Deep Network Designer是用于创建或修改Deep神经网络的点击式工具。此视频演示如何在转移学习工作流中使用应用程序。它演示了使用该工具修改导入网络中的最后几层的简易性，而不是在命令行中修改这些层。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：用11行MATLAB代码进行深度学习
了解如何使用MATLAB、一个简单的网络摄像头和一个深层神经网络来识别周围的物体。
用MATLAB进行深度学习：在10行MATLAB代码中进行转移学习
学习如何使用MATLAB中的转移学习重新训练专家为您自己的数据或任务创建的深度学习网络。
也可以从以下列表中选择网站：
