Get Started with Deep Learning Toolbox
Deep Learning Toolbox™ provides a framework for designing and implementing deep neural networks with algorithms, pretrained models, and apps. You can use convolutional neural networks (ConvNets, CNNs) and long short-term memory (LSTM) networks to perform classification and regression on image, time-series, and text data. You can build network architectures such as generative adversarial networks (GANs) and Siamese networks using automatic differentiation, custom training loops, and shared weights. With the Deep Network Designer app, you can design, analyze, and train networks graphically. The Experiment Manager app helps you manage multiple deep learning experiments, keep track of training parameters, analyze results, and compare code from different experiments. You can visualize layer activations and graphically monitor training progress.
You can import networks and layer graphs from TensorFlow™ 2, TensorFlow-Keras, and PyTorch®, the ONNX™ (Open Neural Network Exchange) model format, and Caffe. You can also export Deep Learning Toolbox networks and layer graphs to TensorFlow 2 and the ONNX model format. The toolbox supports transfer learning with DarkNet-53, ResNet-50, NASNet, SqueezeNet and many other pretrained models.
You can speed up training on a single- or multiple-GPU workstation (with Parallel Computing Toolbox™), or scale up to clusters and clouds, including NVIDIA® GPU Cloud and Amazon EC2® GPU instances (with MATLAB® Parallel Server™).
Tutorials
- Erste Schritte mit Deep Network Designer
Das folgende Beispiel veranschaulicht, wie Sie mithilfe von Deep Network Designer ein vortrainiertes GoogLeNet-Netz für die Klassifizierung einer neuen Bildersammlung anpassen können. - Erste Schritte mit Transfer Learning
Das folgende Beispiel veranschaulicht, wie Sie mithilfe von Transfer Learning das vortrainierte faltende neuronale Netz SqueezeNet für die Klassifizierung einer neuen Bildmenge neu trainieren können. - Erstellen eines einfachen Netzes zur Bildklassifizierung mithilfe von Deep Network Designer
Dieses Beispiel veranschaulicht, wie Sie ein einfaches Convolutional Neural Network für die Deep-Learning-Klassifizierung mithilfe von Deep Network Designer erstellen und trainieren können. - Erstellen eines einfachen Netzes zur Sequenzklassifizierung mithilfe von Deep Network Designer
Dieses Beispiel veranschaulicht, wie Sie ein einfaches Long-Short-Term-Memory(LSTM)-Klassifizierungsnetz (Klassifizierungsnetz mit langem Kurzzeitgedächtnis) mithilfe von Deep Network Designer erstellen können. - Ausprobieren von Deep Learning mit 10 Zeilen MATLAB-Programmcode
Informationen zum Einsatz von Deep Learning, um Objekte auf einer Live-Webcam mit dem vortrainierten AlexNet-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
Command-Line Workflows
Enthaltene Beispiele
Interaktives Lernen
Deep Learning Onramp
This free, two-hour deep learning tutorial provides an interactive introduction to practical deep learning methods. You will learn to use deep learning techniques in MATLAB for image recognition.
Videos
Interactively Modify a Deep Learning Network for Transfer Learning
Deep Network Designer is a point-and-click tool for creating or modifying deep neural networks. This video shows how to use the app in a transfer learning workflow. It demonstrates the ease with which you can use the tool to modify the last few layers in the imported network as opposed to modifying the layers in the command line. You can check the modified architecture for errors in connections and property assignments using a network analyzer.
Deep Learning with MATLAB: Deep Learning in 11 Lines of MATLAB Code
See how to use MATLAB, a simple webcam, and a deep neural network to identify objects in your surroundings.
Deep Learning with MATLAB: Transfer Learning in 10 Lines of MATLAB Code
Learn how to use transfer learning in MATLAB to re-train deep learning networks created by experts for your own data or task.