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™).
Изучение основ Deep Learning Toolbox
Обучите сверточные нейронные сети с нуля или используйте предварительно обученные сети, чтобы быстро узнать новые задачи
Создайте и обучите сети для задач классификации, регрессии и прогнозирования временных рядов
Управляйте экспериментами, стройте графики процесса обучения, оценивайте точность, объясняйте предсказания, настраивайте опции обучения и визуализируйте функции, выученные сетью
Масштабирование глубокого обучения с помощью нескольких графических процессоров на местном уровне или в облаке и обучение нескольких сетей в интерактивном режиме или в пакетных заданиях
Расширение рабочих процессов глубокого обучения с помощью компьютерного зрения, обработки изображений, беспилотного вождения, сигналов и аудио
Импорт, экспорт и настройка нейронных сетей для глубокого обучения и настройка слоев, циклов обучения и функций потерь
Управление и предварительная обработка данных для глубокого обучения
Сгенерируйте код MATLAB или CUDA® и Код С++ и развертывание нейронных сетей для глубокого обучения
Выполните регрессию, классификацию, кластеризацию и моделируйте нелинейные динамические системы с помощью мелких нейронных сетей