Erste Schritte mit Deep Learning Toolbox
Deep Learning Toolbox™ bietet Funktionen, Anwendungen und Simulink®-Blöcke für den Entwurf, die Implementierung und die Simulation von tiefen neuronalen Netzen. Die Toolbox bietet ein Framework für die Erstellung und Verwendung vieler Arten von Netzen, wie z. B. Convolutional Neural Networks (CNN; faltende neuronale Netze) und Transformatoren. Sie können Netzvorhersagen visualisieren und interpretieren, Netzwerkeigenschaften überprüfen und Netzwerke durch Quantisierung, Projektion oder Pruning komprimieren.
Mit der App Deep Network Designer können Sie Netze interaktiv entwerfen, bearbeiten und analysieren, vortrainierte Modelle importieren und Netzwerke in Simulink exportieren. Mit der Toolbox können Sie mit anderen Deep-Learning-Frameworks interagieren. Sie können PyTorch®-, TensorFlow™-, und ONNX™-Modelle für Inferenz, Transfer Learning, Simulation und Bereitstellung importieren. Sie können Modelle auch nach TensorFlow und ONNX exportieren.
Sie können automatisch C/C++, CUDA®- und HDL-Code für trainierte Netze generieren.
Tutorials
- Erste Schritte mit Deep Network Designer
Dieses Beispiel zeigt, wie ein einfaches rekurrentes neuronales Netz für die Deep-Learning-Sequenzklassifizierung mit Deep Network Designer erstellt wird. - Get Started with Time Series Forecasting
This example shows how to create a simple long short-term memory (LSTM) network to forecast time series data using the Deep Network Designer app. - Erste Schritte mit Transfer Learning
Dieses Beispiel zeigt, wie der Deep Network Designer verwendet wird, um ein Netz für das Transfer Learning vorzubereiten. - Erste Schritte in der Bildklassifizierung
In diesem Beispiel wird gezeigt, wie ein einfaches Convolutional Neural Network zur Deep-Learning-Klassifizierung mit der App Deep Network Designer erstellt wird. - Ausprobieren von Deep Learning mit 10 Zeilen MATLAB-Programmcode
Informationen zum Einsatz von Deep Learning, um Objekte auf einer Live-Webcam mit dem vortrainierten SqueezeNet-Netz zu identifizieren. - Klassifizierung eines Bilds mithilfe eines vortrainierten Netzes
Dieses Beispiel veranschaulicht, wie ein Bild mithilfe von GoogLeNet, einem vortrainierten tiefen faltenden neuronalen Netz (Deep Convolutional Neural Network), klassifiziert wird. - Erstellen eines einfachen Netzes zur Bildklassifizierung
Dieses Beispiel veranschaulicht, wie Sie ein einfaches Convolutional Neural Network für die Deep-Learning-Klassifizierung erstellen und trainieren können.
App-Workflows
Befehlszeilen-Workflows
Enthaltene Beispiele
Interaktives Lernen
Deep Learning Onramp
Dieses kostenlose, zweistündige Deep-Learning-Tutorial bietet eine interaktive Einführung in praktische Deep-Learning-Methoden. Sie erlernen dabei, Deep-Learning-Techniken in MATLAB® für die Bilderkennung einzusetzen.
Videos
Interaktives Modifizieren eines Deep-Learning-Netzes für Transfer Learning
Deep Network Designer ist ein Point-and-Click-Tool zum Erstellen oder Ändern von tiefen neuronalen Netzen. Dieses Video zeigt, wie die App in einem Transfer-Learning-Workflow verwendet wird. Es zeigt, wie einfach es ist, mit dem Tool die letzten Schichten des importierten Netzes zu ändern, im Gegensatz zur Änderung der Schichten in der Befehlszeile. Sie können die geänderte Architektur mit einem Netzanalysator auf Fehler in den Verbindungen und Eigenschaftszuweisungen überprüfen.
Deep Learning mit MATLAB: Deep Learning mit 11 Zeilen MATLAB-Programmcode
Sehen Sie, wie Sie mit MATLAB, einer einfachen Webcam und einem tiefen neuronalen Netz Objekte in Ihrer Umgebung identifizieren können.
Deep Learning mit MATLAB: Transfer Learning mit 10 Zeilen MATLAB-Programmcode
Erfahren Sie, wie Sie Transfer Learning in MATLAB verwenden können, um Deep-Learning-Netze, die von Experten erstellt wurden, für Ihre eigenen Daten oder Aufgaben neu zu trainieren.