深度学习工具箱
设计,列车和分析深度学习网络
深度学习工具箱™为设计和实现具有算法,预磨料模型和应用的深度神经网络提供框架。您可以使用卷积神经网络(CoundNet,CNN)和长短期内存(LSTM)网络在图像,时序和文本数据上执行分类和回归。您可以使用自动分化,自定义训练循环和共享权重构建网络架构,例如生成的对抗网络(GANS)和暹罗网络。使用深度网络设计器应用程序,您可以以图形方式设计,分析和培训网络。实验管理器应用程序可帮助您管理多个深度学习实验,跟踪培训参数,分析结果和与不同实验的代码进行比较。您可以可视化图层激活和图形监控培训进度。
您可以通过Tennx格式和来自Tensorflow-Keras和Caffe的INNX格式和导入模型交换模型。工具箱支持使用Darkn万博1manbetxet-53,Reset-50,NASnet,Screezenet和许多其他预磨模的转移学习。
您可以在单个或多个gpu工作站(使用并行计算工具箱™)上加速培训,或扩展到集群和云,包括NVIDIA® GPU云和Amazon EC2® GPU实例(使用MATLAB并行服务器™)。
开始:
卷积神经网络
学习图像中的模式以识别对象,面部和场景。构建和列车卷积神经网络(CNNS)来执行特征提取和图像识别。
长短期内存网络
在序列数据中学习长期依赖关系,包括信号,音频,文本和其他时间序列数据。构建和培训长期内存(LSTM)网络以执行分类和回归。
网络架构
使用各种网络结构,包括有向无环图(DAG)和循环架构来构建您的深度学习网络。使用自定义训练循环、共享权值和自动区分构建高级网络架构,如生成式对抗网络(gan)和暹罗网络。
设计深层学习网络
使用Deep Network Designer应用程序从头开始创建和培训深度网络。导入备用模型,可视化网络结构,编辑图层,调谐参数和火车。
分析深度学习网络
分析您的网络架构以在培训之前检测和调试错误,警告和层兼容性问题。可视化网络拓扑和查看详细信息,例如学习参数和激活。
管理深度学习实验
使用实验管理器应用管理多个深度学习实验。跟踪培训参数,分析结果和与不同实验的代码进行比较。使用可视化工具,如培训图和混淆矩阵,排序和过滤实验结果,并定义定制度量来评估培训的型号。
转移学习
使用预先训练过的网络,并将其作为学习新任务的起点。执行迁移学习,将在网络中学习到的特征用于特定的任务。
佩带的模型
用一行代码访问最新研究的预训练网络。导入预训练模型,包括DarkNet-53, ResNet-50, SqueezeNet, NASNet,和Inception-v3。
网络激活和可视化
提取对应于图层的激活,可视化学习功能,并使用激活培训机器学习分类器。使用Grad-Cam,闭塞和石灰来解释深度学习网络的分类决策。
ONNX转换器
MATLAB中的导入和导出ONNX模型®对于与其他深度学习框架的互操作性。ONNX使模型能够在一个框架中接受培训并转移到另一个框架以进行推断。用GPU编码器™生成优化的nvidia®CUDA.®代码和使用Matlab Coder™为导入模型生成C ++代码。
GPU加速
高性能NVIDIA GPU加快深度学习培训和推论。对单个工作站GPU的培训或在数据中心或云上使用DGX系统进行缩放到多个GPU。你可以使用matlab并行计算工具箱和最支持的CUDA启用的NVIDIA GPU计算能力3.0及以上。
模拟
在Simulink中对深度学习网络进行仿真并生成代码万博1manbetx®。使用alexnet,googlenet和其他佩带的模型。您还可以模拟从头开始创建的网络或通过传输学习,包括LSTM网络。使用GPU编码器和NVIDIA GPU加快Simulink中的深度学习网络的执行。万博1manbetx使用控制,信号处理和传感器融合组件模拟深度学习网络,以评估深度学习模型对系统级性能的影响。
代码生成
用GPU编码器生成优化的CUDA代码,Matlab编码器和万博1manbetxSimulink编码器生成C和C ++代码将深度学习网络部署到NVIDIA GPU,英特尔®至强®和手臂®皮质®-a处理器。自动化交叉编译和将生成的代码部署到NVIDIA Jetson™和Drive™平台以及Raspberry PI™板上。用深度学习HDL工具箱™原型和实施FPGA和SOC的深度学习网络
深度学习量化
量化您的深度学习网络以降低内存使用率并提高推理性能。使用Deep Network Standizer应用程序分析和可视化性能和推理准确性之间的折衷。
部署独立应用程序
用MATLAB编译器™和MATLAB编译器SDK™将培训的网络部署为C ++共享库,Microsoft® .NET assemblies, Java® classes, and Python® packages from MATLAB programs with deep learning models.
无监督的网络
通过让浅层网络不断调整自身以适应新的输入,找到数据之间的关系并自动定义分类方案。使用自组织、无监督网络以及竞争层和自组织地图。
堆积的autoencoders.
通过使用AutoEncoders从数据集中提取低维功能来执行无监督的功能转换。您还可以通过培训和堆叠多个编码器使用堆叠的AutoEncoders进行监督学习。