加布里埃尔哈,MathWorks公司
深度学习工具箱™为设计和实施与算法,预先训练模型和应用中的深层神经网络的框架。您可以使用卷积神经网络(ConvNets,细胞神经网络)和长短期记忆(LSTM)网络上的图像,时间序列和文本数据进行分类和回归。你可以建立网络体系结构,如使用自动分化,定制培训循环和共享权重生成对抗网络(甘斯)和连体网络。与深网络设计的应用程序,你可以设计,分析和列车网络图形。该实验管理器应用程序可以帮助您管理多个深度学习实验,跟踪训练参数,分析结果,并从不同的实验对比的代码。你可以想像层激活和图形显示器训练进度。
你可以通过ONNX格式和进口车型从TensorFlow-Keras,但Caffe交换TensorFlow™和PyTorch模型。与DarkNet53工具万博1manbetx箱支持传输学习,RESNET-50,NASNet,SqueezeNet和许多其他预训练模式。
您可以加速单个或多个GPU的工作站上训练(并行计算工具箱™),或扩展到集群和云,其中包括NVIDIA® GPU云和Amazon EC2® GPU instances (with MATLAB Parallel Server™).
深度学习工具箱为创建、训练和分析深度网络提供算法和工具。你可以使用CNNs进行深度学习来进行图像分类,使用LSTM网络对时间序列和序列数据进行深度学习。深度学习工具箱提供了许多可以利用的预先构建的示例,包括对场景中的移动对象进行分类和使用回归检测面部特征。您还可以使用自定义训练循环、共享权重和自动区分来构建高级网络架构,如GANs和Siamese网络。
在20a,我们将引入实验管理程序来管理多个深度学习实验。您可以跟踪训练参数、分析结果、比较来自不同实验的代码,还可以使用可视化工具(如训练图和混淆矩阵)来评估训练过的模型。我们还更新了Deep Network Designer应用程序,让您可以在迁移学习工作流开始时轻松选择已有的预训练模型,或者您也可以使用拖放界面从头开始设计网络,使您可以可视化层和连接,并添加可学习的层参数。在20a中,在设计和分析你的网络之后,你可以导入你的数据,检查你的数据,设置训练选项,如学习率和epoch的次数,最后训练你设计的网络,所有这些都在app中。最后,将您的网络导出到工作空间,或者生成相应的MATLAB代码,以便您的同事可以轻松地重现和改进您的工作。
您可以从头开始或利用迁移学习与预训练的网络,如RESNET和启创网络架构。深度学习工具箱支持与其他框架,包括Tenso万博1manbetxrFlow,PyTorch和MXNet互操作性。您也可以从TensorFlow-Keras,但Caffe导入网络和网络架构。而且,由于深学习工具箱支持ONNX模型格式,可以导入模型,利用M万博1manbetxATLAB像可视化和优化您的网络任务,然后导出您的使用模型等深学习框架。
您可以在单GPU或多GPU工作站上加速训练,也可以扩展到集群和云,包括NVIDIA GPU云和Amazon EC2 GPU实例。
深度学习工具箱可以与代码生成工具结合使用,使您能够深度学习算法部署到像NVIDIA GPU和英特尔和ARM处理器的目标。这种自动生成的代码提供了推断应用显著的性能提升。
如果您需要在您训练的网络中占用更小的空间,您还可以在模型和目标NVIDIA gpu上执行int8量化以进行嵌入式部署。
有关深学习工具箱的更多信息,请查看深度学习工具箱产品页面,不要犹豫,有任何问题请联系我们。
您还可以选择从下面的列表中的网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。