Deep Learning Toolbox™ предоставляет основу для проектирования и реализации глубоких нейронных сетей с алгоритмами, предварительно обученными моделями и apps. Вы можете использовать сверточные нейронные сети (ConvNets, CNN) и сети долговременной памяти (LSTM) для выполнения классификации и регрессии изображений, временных рядов и текстовых данных. Вы можете создавать сетевые архитектуры, такие как генеративные состязательные сети (GAN) и сиамские сети, используя автоматическую дифференциацию, индивидуальные обучающие циклы и общие веса. Приложение Deep Network Designer позволяет создавать, анализировать и обучать сети графически. Приложение Experiment Manager помогает управлять несколькими экспериментами глубокого обучения, отслеживать параметры обучения, анализировать результаты и сравнивать код из различных экспериментов. Можно визуализировать активации слоев и графически отслеживать ход обучения.
Можно обмениваться моделями с TensorFlow™ и PyTorch через формат ONNX™ и импортировать модели из TensorFlow-Keras и Caffe. Набор инструментов поддерживает обучение передаче с помощью DarkNet-53, ResNet-50, NASNet, SqueeEcNet и многих других предварительно подготовленных моделей.
Вы можете ускорить обучение на рабочей станции с одним или несколькими графическими процессорами (с помощью Parallel Computing Toolbox™) или масштабировать до кластеров и облаков, включая NVIDIA ® GPU Cloud и экземпляры Amazon EC2 ® GPU (с помощью MATLAB ® Parallel Server™).
В этом примере показано, как использовать Deep Network Designer для адаптации предварительно обученной сети GoogLeNet для классификации новой коллекции изображений.
Узнайте, как использовать глубокое обучение для идентификации объектов на веб-камере в прямом эфире 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 обучение передаче для переподготовки SqueeEcNet, предварительно обученной сверточной нейронной сети, для классификации нового набора изображений.
В этом примере показано, как создать и обучить простую сверточную нейронную сеть для классификации глубокого обучения.
В этом примере показано, как создать и обучить простую сверточную нейронную сеть для классификации глубокого обучения с помощью Deep Network Designer.
В этом примере показано, как создать простую сеть классификации LSTM с помощью Deep Network Designer.
Используйте приложения и функции для разработки неглубоких нейронных сетей для подгонки функций, распознавания образов, кластеризации и анализа временных рядов.
Глубокое обучение Onramp
Это бесплатное двухчасовое углубленное обучение дает интерактивное введение в практические методы глубокого обучения. Вы научитесь использовать методы глубокого обучения в MATLAB для распознавания изображений.
Интерактивное изменение сети глубокого обучения для обучения по передаче знаний
Deep Network Designer - инструмент для создания или изменения глубоких нейронных сетей. В этом видеоролике показано, как использовать приложение в процессе обучения передаче данных. Он демонстрирует простоту, с которой можно использовать инструмент для изменения последних нескольких слоев в импортированной сети, в отличие от изменения слоев в командной строке. Измененную архитектуру можно проверить на наличие ошибок в соединениях и назначениях свойств с помощью сетевого анализатора.
Глубокое обучение с помощью MATLAB: Глубокое обучение в 11 строках кода MATLAB
Узнайте, как использовать MATLAB, простую веб-камеру и глубокую нейронную сеть для идентификации объектов в вашем окружении.
Глубокое обучение с помощью MATLAB: Передача обучения в 10 строках кода MATLAB
Узнайте, как использовать transfer learning в MATLAB для повторной подготовки сетей глубокого обучения, созданных экспертами для ваших собственных данных или задач.
