深度学习工具箱
创建、分析和培训深度学习网络
深度学习工具箱(前称神经网络工具箱)为设计和实现具有算法、预训练模型和应用程序的深度神经网络提供了一个框架。您可以使用卷积神经网络(ConvNets、CNNs)和长短时记忆(LSTM)网络对图像、时间序列和文本数据进行分类和回归。您可以使用定制的训练循环、共享的权重和自动区分来构建高级的网络体系结构,如生成式对抗网络(GANs)和暹罗网络。应用程序和情节帮助您可视化激活,编辑和分析网络架构,并监控培训进度。
您可以通过ONNX格式与TensorFlow™和PyTorch交换模型,并从TensorFlow- keras和Caffe导入模型。工具箱支持使用万博1manbetx图书馆预训练的模型(包括NASNet、SqueezeNet、incep -v3和ResNet-101)。
您可以在单或多gpu工作站(使用并行计算工具箱™)上加速训练,或者扩展到集群和云,包括NVIDIA®GPU云和Amazon EC2®GPU实例(使用MATLAB并行服务器)TM)。
入门:
长短期记忆网络
学习序列数据中的长期依赖关系,包括信号、音频、文本和其他时间序列数据。建立和训练长短时记忆(LSTM)网络进行分类和回归。
网络体系结构
使用各种网络结构,包括有向无环图(DAG)和递归架构来构建您的深度学习网络。使用自定义的训练循环、共享的权重和自动区分来构建高级网络架构,如生成式对抗网络(GANs)和暹罗网络。
设计深度学习网络
使用deep network Designer应用程序从头开始创建一个深度网络。导入一个预先训练好的模型,可视化网络结构,编辑层,调整参数。
分析深学习网络
在培训之前,分析您的网络体系结构,以检测和调试错误、警告和层兼容性问题。可视化网络拓扑结构,查看可学习参数和激活等详细信息。
预训练模式
从研究用一行代码访问最新的预训练的网络。进口pretrained模型包括incep -v3, SqueezeNet, NASNet和GoogLeNet。
网络的激活
提取对应于某个层的激活,可视化所学习的特征,并使用该激活训练机器学习分类器。使用层次- cam方法来理解为什么一个深度学习网络要进行分类决策。
ONNX转换器
内MATLAB进出口ONNX模型®用于与其他深度学习框架的互操作性。ONNX允许在一个框架中训练模型,并将其转移到另一个框架中进行推理。使用GPU编码器™以生成优化的CUDA代码和使用MATLAB编码器™为导入器模型生成c++代码。
咖啡进口国
进口车型从来自Caffe型号动物园到MATLAB进行推理和转移学习。
GPU加速
加快深学习培训和推理与高性能的NVIDIA GPU。在执行一个工作站GPU或大规模的培训与数据中心或云DGX系统多GPU。您可以使用MATLAB与并行计算工具箱和大多数CUDA®启用的NVIDIA gpu有计算能力3.0或更高。
云加速
使用云实例减少深度学习培训时间。使用高性能的GPU实例获得最佳结果。
分布式计算
运行用MATLAB并行服务器在网络上跨多个处理器深度学习培训在多个服务器上。
部署独立的应用程序
使用MATLAB编译器™和MATLAB编译SDK™为了将训练有素的网络部署为c++共享库,微软®net程序集,Java®Python类,®包从MATLAB程序与深度学习模型。
无监督网络
通过让浅层网络不断调整自身以适应新的输入,查找数据中的关系并自动定义分类方案。使用自组织的、无监督的网络以及竞争性的层和自组织的地图。
堆叠Autoencoders
通过使用自动编码数据集中提取低维特征进行监督的功能转型。您也可以通过培训和堆叠多个编码器使用监督学习堆叠自动编码。
培训的灵活性
使用自定义训练循环、自动区分、共享权值和自定义损失函数来训练高级网络架构
深学习网络
建立生成式对抗网络(GANs)、暹罗式网络、变分自编码器和注意力网络
数据预处理
使用多个数据标准化选项提高培训绩效
可视化
利用遮挡敏感性映射输入数据的强激活特征
多输入,多输出网络
列车网络具有多个输入和多个输出
长短时记忆(LSTM)网络
计算中间层激活
ONNX支万博1manbetx持
将CNN和LSTM层以及包含3D CNN层的网络导出到ONNX格式
看到发布说明有关这些功能和相应功能的详细信息。
用于深度学习的MATLAB
设计,构建和可视化深学习网络
有问题吗?
联系Shounak Mitra,深度学习工具箱技术专家