Deep Learning Toolbox™ предоставляет среду для разработки и реализации глубоких нейронных сетей с помощью алгоритмов, предварительно обученных моделей и приложений. Вы можете использовать сверточные нейронные сети (ConvNets, CNNs) и сети долгой краткосрочной памяти (LSTM) для выполнения классификации и регрессии изображений, timeseries и текстовых данных. Вы можете создавать сетевые архитектуры, такие как генеративные состязательные сети (GANs) и сиамские сети с помощью автоматической дифференциации, пользовательских циклов обучения и общих весов. С помощью приложения Deep Network Designer можно проектировать, анализировать и обучать сети графически. Приложение Experiment Manager помогает вам управлять несколькими экспериментами глубокого обучения, отслеживать параметры обучения, анализировать результаты и сравнивать код из различных экспериментов. Можно визуализировать активацию 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.
Вы можете ускорить обучение на рабочих станциях с одним или несколькими графическими процессорами (с Parallel Computing Toolbox™) или масштабировать до кластеров и облаков, включая NVIDIA®GPU Cloud и Amazon EC2® GPU инстансы (с MATLAB® Parallel Server™).
В этом примере показано, как использовать Deep Network Designer для адаптации предварительно обученной сети GoogLeNet для классификации нового набора изображений.
Узнайте, как использовать глубокое обучение для идентификации объектов 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.
Этот пример показывает, как использовать передачу обучения для переобучения SqueezeNet, предварительно обученной сверточной нейронной сети, чтобы классифицировать новый набор изображений.
Этот пример показывает, 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 долгой краткосрочной памяти (LSTM) с помощью Deep Network Designer.
Используйте приложения и функции для разработки мелких нейронных сетей для подбора кривой функций, распознавания шаблонов, кластеризации и анализа временных рядов.
Глубокое обучение Onramp
Это бесплатное двухчасовое руководство по глубокому обучению обеспечивает интерактивное введение в практические методы глубокого обучения. Вы научитесь использовать методы глубокого обучения в MATLAB для распознавания изображений.
Интерактивное изменение Нейронной сети для глубокого обучения для Передачи обучения
Deep Network Designer - это инструмент «укажи и выбери» для создания или изменения глубоких нейронных сетей. В этом видео показано, как использовать приложение в рабочем процессе передачи обучения. Он демонстрирует простоту, с которой можно использовать инструмент для изменения последних нескольких слоев в импортированной сети в отличие от изменения слоев в командной строке. Можно проверить измененную архитектуру на ошибки в соединениях и назначениях свойств с помощью сетевого анализатора.
Глубокое обучение с MATLAB: глубокое обучение в 11 линиях кода MATLAB
Посмотрите, как использовать MATLAB, простую веб-камеру и глубокую нейронную сеть для идентификации объектов в вашем окружении.
Глубокое обучение с MATLAB: Передача обучения в 10 линиях кода MATLAB
Узнать, как использовать передачу обучения в MATLAB, чтобы переучить нейронные сети для глубокого обучения, созданные экспертами для ваших собственных данных или задачи.