深度学习工具箱
深度学习工具箱™提供了一个框架为设计和实现深层神经网络算法,pretrained模型和应用。你可以使用卷积神经网络(ConvNets, CNNs)和长短期记忆(LSTM)网络对图像、时间序列和文本数据进行分类和回归。你可以使用自动区分、自定义训练循环和共享权来构建生成对抗网络(GANs)和暹罗网络等网络架构。通过Deep Network Designer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你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。你可以可视化层激活和图形化监控训练进度。
你可以从TensorFlow™2,TensorFlow- keras, PyTorch导入网络和层图®, ONNX™(Open Neural Network Exchange)模型格式,以及Caffe。你也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。该工具箱支持与DarkNet-53、ResNet-50、NASNet、SqueezeNet和许多其他预训练模型的迁移学习。
你可以在单gpu或多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(与MATLAB并行服务器™)。
网络设计与模型管理
利用低代码应用,加快深度学习模型的开发。使用Deep network Designer应用程序创建、训练、分析和调试一个网络。使用Experiment Manager应用程序调优和比较多个模型。
Pretrained模型
在MATLAB中用一行代码访问流行模型。通过ONNX和TensorFlow™使用PyTorch™将任何模型导入MATLAB。
代码生成
自动生成优化CUDA®使用GPU Coder™编码,并使用MATLAB Coder™生成C和c++代码,将深度学习网络部署到NVIDIA GPU和各种处理器上。使用深度学习HDL工具箱™在fpga和soc上构建和实现深度学习网络。