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™).
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 задач классификации, регрессии и прогнозирования временных рядов
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, экспортируйте, и настройте нейронные сети для глубокого обучения и настройте слои, учебные циклы и функции потерь
Управляйте и предварительно обработайте данные для глубокого обучения
Создание кода MATLAB или кода CUDA® и С++ и развертывание сетей глубокого обучения
Выполните регрессию, классификацию, кластеризацию и нелинейные динамические системы модели с помощью мелких нейронных сетей