Deep Learning Toolbox™ служит основой для разработки и реализации глубоких нейронных сетей, включая алгоритмы, предварительно обученные модели и приложения. Можно использовать сверточные нейронные сети (ConvNets, CNNs) и сети долгой краткосрочной памяти (LSTM) для решения задач классификации и регрессии на изображениях, временных рядах и текстах. Приложения и графики помогают вам визуализировать уровни активации, редактировать архитектуру сетей и контролировать прогресс в их обучении.
Для небольших наборов обучающих данных можно использовать обучение с переносом для предварительно обученных глубоких сетевых моделей (включая SqueezeNet, Начало-v3, ResNet-101, GoogLeNet и VGG-19) и модели, импортированные из TensorFlow™-Keras и Caffe.
Чтобы ускорить обучение на больших наборах данных, можно распределить вычисления и данные на многоядерных процессорах и рабочих компьютерах графического процессора (с Parallel Computing Toolbox™), или масштабировать до кластеров и облаков, включая Amazon EC2® P2, P3 и экземпляры графического процессора G3 (с MATLAB® Parallel Server™).
Изучите основы Deep Learning Toolbox
Обучите сверточные нейронные сети с нуля или используйте предварительно обученные сети, чтобы быстро изучить новые задачи
Создайте и обучите нейронные сети для классификации временных рядов, регрессии и задач прогнозирования
Стройте графики прогресса обучения, оценивайте точность, делайте прогнозы, настраивайте параметры обучения и визуализируйте признаки, выученные сетью
Увеличьте глубокое обучение для нескольких графических процессоров локально или в облаке и обучите несколько сетей в интерактивном режиме или в пакетных заданиях
Расширьте рабочие процессы глубокого обучения с компьютерным зрением, обработкой изображений, автоматизировал управление, сигналы и аудио
Импортируйте и экспортируйте сети, задайте пользовательские слои глубокого обучения и настройте хранилища данных
Сгенерируйте код MATLAB или CUDA® и Код С++ и разверните нейронные сети для глубокого обучения
Выполните регрессию, классификацию, и кластеризирующий использование мелких нейронных сетей
Образцовые нелинейные динамические системы с помощью мелких сетей; сделайте прогнозы с помощью последовательных данных.