开始使用深度学习工具箱
深度学习工具箱™为设计和实现具有算法、预训练模型和应用程序的深度神经网络提供了一个框架。可以使用卷积神经网络(ConvNets、CNNs)和长短期记忆网络(LSTM)对图像、时间序列和文本数据执行分类和回归。您可以使用自动区分、自定义训练循环和共享权重来构建生成对抗网络(GANs)和Siamese网络等网络架构。使用深度网络设计器应用程序,您可以图形化地设计、分析和训练网络。实验管理器应用程序可以帮助您管理多个深度学习实验,跟踪训练参数,分析结果,并比较来自不同实验的代码。您可以可视化层激活和图形化监控训练进度。
您可以从TensorFlow™2、TensorFlow- keras和PyTorch导入网络和图层图形®、ONNX™(开放神经网络交换)模型格式,以及Caffe。您还可以将深度学习工具箱网络和层图导出到TensorFlow 2和ONNX模型格式。工具箱支持与DarkNet-53、ResNet-50、NASNet、SqueezeNet和许多其他的迁移学习pretrained模型.
您可以在单个或多个gpu工作站(使用并行计算工具箱™)上加速训练,或扩展到集群和云,包括NVIDIA®GPU云和Amazon EC2®GPU实例(MATLAB®并行服务器™).
教程
- 开始使用深度网络设计器
这个例子展示了如何使用深度网络设计器调整一个预先训练的GoogLeNet网络来对一个新的图像集合进行分类。
- 在10行MATLAB代码中尝试深度学习
学习如何使用深度学习在实时网络摄像头上与AlexNet预训练的网络识别物体。
- 利用预训练网络对图像进行分类
这个例子展示了如何使用预先训练的深度卷积神经网络GoogLeNet对图像进行分类。
- 开始迁移学习
这个例子展示了如何使用迁移学习重新训练SqueezeNet,一个预先训练的卷积神经网络,来分类一组新的图像。
- 创建简单的图像分类网络
这个例子展示了如何创建和训练一个简单的卷积神经网络进行深度学习分类。
- 使用深度网络设计器创建简单的图像分类网络
这个例子展示了如何使用深度网络设计器为深度学习分类创建和训练一个简单的卷积神经网络。
- 使用深度网络设计器创建简单的序列分类网络
这个例子展示了如何使用Deep network Designer创建一个简单的长短期记忆(LSTM)分类网络。
肤浅的网络
- 浅网络模式识别,聚类和时间序列
使用应用程序和函数设计浅层神经网络,用于函数拟合、模式识别、聚类和时间序列分析。
特色的例子
交互式学习
深度学习斜坡弯道
这个免费的,两个小时的深度学习教程提供了实用深度学习方法的交互式介绍。您将学习在MATLAB中使用深度学习技术进行图像识别。
视频
交互式修改一个用于迁移学习的深度学习网络
深度网络设计器是一个用于创建或修改深度神经网络的指向和点击工具。本视频展示了如何在转移学习工作流中使用该应用程序。它演示了如何轻松地使用该工具修改导入网络中的最后几层,而不是在命令行中修改层。您可以使用网络分析器检查修改后的体系结构中的连接和属性分配错误。
MATLAB深度学习:11行MATLAB代码中的深度学习
看看如何使用MATLAB,一个简单的网络摄像头,和一个深用神经网络来识别周围的物体。
MATLAB深度学习:10行MATLAB代码中的迁移学习
学习如何使用转帐学习在MATLAB中重新训练深学习由专家为您自己的数据或任务创建的网络。