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. Можно создать сетевые архитектуры, такие как порождающие соперничающие сети (GANs) и сиамские сети с помощью автоматического дифференцирования, пользовательских учебных циклов и совместно использованных весов. С приложением Deep Network Designer можно спроектировать, анализировать и обучить нейронные сети графически. Приложение Experiment Manager помогает вам справиться с несколькими экспериментами глубокого обучения, отслеживать учебные параметры, анализировать результаты и сравнить код из различных экспериментов. Можно визуализировать активации слоя и графически контролировать процесс обучения.
Можно обмениваться моделями с TensorFlow™ и PyTorch через формат ONNX™ и импортировать модели из TensorFlow-Keras и Caffe. Тулбокс поддерживает передачу обучения с DarkNet-53, ResNet-50, NASNet, SqueezeNet и многими другими предварительно обученными моделями.
Можно ускорить обучение на рабочей станции с одним или несколькими графическими процессорами (с Parallel Computing Toolbox™) или масштабировать до кластеров и облаков, включая NVIDIA® Облако графического процессора 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
Справьтесь с экспериментами, постройте процесс обучения, оцените точность, сделайте предсказания, опции обучения мелодии, и визуализируйте функции, изученные 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
