深度学习工具箱
深度学习工具箱™는알고리즘,사전훈련된모델및앱을사용하여심층신경망을설계및구현하는프레임워크를제공합니다。美国有线电视新闻网(事先컨벌루션신경망)및LSTM(장단기기억)신경망을사용하여영상,시계열및텍스트데이터에대한분류및회귀를수행할수있습니다。자동미분,사용자지정훈련루프및공유가중치를사용하여GAN(생성적적대신경망)및샴신경망과같은신경망아키텍처를구축할수있습니다。심층신경망디자이너앱을사용하여신경망을시각적으로설계,분석및훈련시킬수있습니다。실험관리자앱을사용하면여러딥러닝실험을관리하고,훈련파라미터를추적하고,결과를분석하고,서로다른실험의코드를비교할수있습니다。계층활성화를시각화하고훈련진행상황을시각적으로모니터링할수있습니다。
TensorFlow™2,TensorFlow- keras, PyTorch®, ONNX™(打开神经网络交换)모델형식,咖啡로부터신경망및계층그래프를가져올수있습니다。深度学习工具箱신경망및계층그래프를TensorFlow 2및ONNX모델형식으로내보낼수도있습니다。또한DarkNet-53、ResNet-50 NASNet, SqueezeNet및기타많은사전훈련된모델에대한전이학습을지원합니다。
并行计算工具箱™를사용하여단일또는다중GPU워크스테이션에서훈련의속도를높이거나MATLAB并行服务器™를사용하여NVIDIA®GPU云및Amazon EC2®Gpu Gpu스턴스등의클러스터와클라우드로확장할수있습니다。
신경망설계및모델관리
로우코드앱을사용하여딥러닝모델개발을가속화할수있습니다。심층신경망디자이너앱을사용하여신경망을생성,훈련,분석및디버그할수있습니다。실험관리자앱을사용하여여러모델을조정하고비교할수있습니다。
사전훈련된모델
Matlab에서단한줄의코드로널리사용되는모델에액세스할수있습니다。ONNX및TensorFlow™를통해PyTorch™를사용하여어떤모델이든MATLAB으로가져올수있습니다。
코드 생성
GPU Coder™를사용하여최적화된CUDA®코드를자동으로생성하고MATLAB编码器™를사용하여C및c++코드를생성하여딥러닝신경망을NVIDIA GPU및프로세서에배포할수있습니다。深度学习HDL工具箱™를사용하여FPGA및SoC에딥러닝신경망을프로토타이핑하고구현할수있습니다。
Simulink를사용한시뮬레이션
제어,신호처리,센서융합구성요소로딥러닝신경망을시뮬레이션하여딥러닝모델이시스템수준성능에미치는영향을평가할수있습니다。
딥러닝압축
딥러닝신경망을양자화하고가지치기하여메모리사용량을줄이고추론성능을향상시킬수있습니다。심층신경망양자화기앱을사용하여향상된성능과추론정확도사이의장단점을분석하고시각화할수있습니다。