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、PyTorch导入网络和层图®、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。该工具箱支持DarkNet-53、ResNet-50、NASNet、SqueezeNet和许多其他预训练模型的迁移学习。
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(与MATLAB并行服务器™)。
网络设计与模型管理“,
使用低代码应用程序加速深度学习模型的开发。使用深度网络设计器应用程序创建、训练、分析和调试网络。使用实验管理器应用程序调优和比较多个模型。
Pretrained模型
用MATLAB中的一行代码访问流行的模型。使用PyTorch™通过ONNX和TensorFlow™导入任何模型到MATLAB中。
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上创建和实现深度学习网络。