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™).
Изучение основ инструментария Deep Learning Toolbox
Обучать сверточные нейронные сети с нуля или использовать предварительно обученные сети для быстрого изучения новых задач
Создание и подготовка сетей для задач классификации временных рядов, регрессии и прогнозирования
Управление экспериментами, планирование хода обучения, оценка точности, объяснение прогнозов, настройка параметров обучения и визуализация функций, полученных сетью
Масштабирование глубокого обучения с помощью нескольких графических процессоров локально или в облаке и интерактивное обучение нескольких сетей или выполнение пакетных заданий
Расширяйте рабочие процессы глубокого обучения с помощью компьютерного зрения, обработки изображений, автоматического вождения, сигналов и аудио
Импорт, экспорт и настройка сетей глубокого обучения, а также настройка слоев, циклов обучения и функций потери
Управление данными и их предварительная обработка для глубокого обучения
Создание кода MATLAB или кода CUDA ® и C++ и развертывание сетей глубокого обучения
Выполнение регрессии, классификации, кластеризации и моделирования нелинейных динамических систем с использованием неглубоких нейронных сетей