Deep Learning Toolbox™ (раньше Нейронная сеть Toolbox™) служит основой для разработки и реализации глубоких нейронных сетей с алгоритмами, предварительно обученными моделями и приложениями. 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. Можно создать усовершенствованную сетевую архитектуру, такую как порождающие соперничающие сети (GANs) и сиамские сети с помощью пользовательских учебных циклов, совместно использованных весов и автоматического дифференцирования. Приложения и графики помогают вам визуализировать активации, отредактировать и анализировать сетевую архитектуру и процесс обучения монитора.
Можно обмениваться моделями с TensorFlow™ и PyTorch через формат ONNX™ и импортировать модели из TensorFlow-Keras и Caffe. Тулбокс поддерживает передачу, учащуюся с библиотекой предварительно обученных моделей (включая NASNet, SqueezeNet, Inception-v3 и ResNet-101).
Можно ускорить обучение на рабочей станции с одним или несколькими графическими процессорами (с Parallel Computing Toolbox™) или масштабировать до кластеров и облаков, включая системы NVIDIA GPU Cloud DGX и Amazon EC2® GPU инстансы (с MATLAB® Parallel Server™).
В этом примере показано, как подстроить предварительно обученную сеть GoogLeNet, чтобы классифицировать новый набор изображений.
Узнать, как использовать глубокое обучение, чтобы идентифицировать объекты на веб-камере реального времени с предварительно обученной сетью AlexNet.
В этом примере показано, как классифицировать изображение с помощью предварительно обученной глубокой сверточной нейронной сети GoogLeNet.
В этом примере показано, как использовать передачу, учащуюся переобучать ResNet-18, предварительно обученную сверточную нейронную сеть, чтобы классифицировать новый набор изображений.
В этом примере показано, как создать и обучить простую сверточную нейронную сеть классификации глубокого обучения.
В этом примере показано, как создать простую сеть классификации долгой краткосрочной памяти (LSTM).
Используйте приложения и функции, чтобы спроектировать мелкие нейронные сети для функционального подбора кривой, распознавания образов, кластеризации и анализа временных рядов.
Глубокое обучение Onramp
Этот свободный, двухчасовой пример по глубокому обучению обеспечивает интерактивное введение в практические методы глубокого обучения. Вы будете учиться использовать методы глубокого обучения в MATLAB для распознавания изображений.
В интерактивном режиме измените нейронную сеть для глубокого обучения для изучения передачи
Deep Network Designer является инструментом "укажи и выбери" для создания или изменения глубоких нейронных сетей. Это видео показывает, как использовать приложение в рабочем процессе изучения передачи. Это демонстрирует простоту, с которой можно использовать инструмент, чтобы изменить последние несколько слоев в импортированной сети в противоположность изменению слоев в командной строке. Можно проверить модифицированную архитектуру на наличие ошибок в связях и присвоениях свойства с помощью сетевого анализатора.
Глубокое обучение для MATLAB: глубокое обучение в 11 линиях кода MATLAB
Смотрите, как использовать MATLAB, простую веб-камеру и глубокую нейронную сеть, чтобы идентифицировать объекты в вашей среде.
Глубокое обучение для MATLAB: передайте изучение в 10 линиях кода MATLAB
Узнать, как использовать передачу, учащуюся в MATLAB переобучать нейронные сети для глубокого обучения, созданные экспертами для ваших собственных данных или задачи.
