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工作站上加快培训(并行计算工具箱™),或扩展到集群和云,包括NVIDIA® GPU Cloud and Amazon EC2® GPU instances (with MATLAB Parallel Server™).
开始:
卷积神经网络
学习图像中的模式来识别物体、面孔和场景。构建和训练卷积神经网络(CNNs)进行特征提取和图像识别。
长短期内存网络
了解序列数据中的长期相关性,包括信号、音频、文本和其他时间序列数据。构建和训练长-短期记忆(LSTM)网络以进行分类和回归。
网络体系结构
使用各种网络结构,包括指导的无循环图(DAG)和经常性架构来构建您的深度学习网络。使用自定义培训循环,共享权重和自动差异构建高级网络架构,如生成的对抗网络(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和培训deep network。导入预训练模型,可视化网络结构,编辑图层,调整参数,并进行训练。
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
访问佩带的网络并使用它们作为学习新任务的起点。执行转移学习以在网络中使用网络中的学习功能进行特定任务。
预训练模型
使用单行代码的最新研究访问佩带的网络。导入普试模型,包括DarkNet-53,Reset-50,Screezenet,NASNet和Incepion-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
在MATLAB中导入和导出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。采用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。
Caffe进口商
将Caffe Model Zoo中的模型导入MATLAB进行推理和迁移学习。
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或更高。
分布式计算
使用MATLABPrilital Server在网络上的多个服务器上跨多个处理器进行深度学习培训。
模拟
模拟和生成Simulink中深度学习网络的代码万博1manbetx®。使用AlexNet, GoogLeNet和其他预先训练过的模型。您还可以模拟从头创建或通过迁移学习创建的网络,包括LSTM网络。在Simulink中使用GPU编码器和NVIDIA GPU加速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
采用GPU编码器要生成优化的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®Xeon.®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。采用深度学习HDL工具箱™ 在FPGA和SOC上原型化和实施深度学习网络
深度学习量化
量化您的深度学习网络,以减少内存使用并提高推理性能。使用Deep Network Quantizer应用程序分析并可视化提高性能和推理准确性之间的权衡。
部署独立应用程序
采用Matlab Compiler™和MATLAB编译器SDK™部署训练有素的网络作为c++共享库,微软® .NET assemblies, Java® 类和Python® 软件包来自MATLAB程序与深度学习模型。
无监督的网络
查找数据中的关系,并通过让浅网络不断调整为新输入来自动定义分类方案。使用自组织,无监督的网络以及竞争层和自组织地图。
堆叠Autoencoders
通过使用自动编码器从数据集中提取低维特征,执行无监督特征转换。您还可以通过训练和堆叠多个编码器,使用堆叠自动编码器进行监督学习。