Main Content

Deep Learning Toolbox

Entwerfen, Trainieren, Analysieren und Simulieren von Deep-Learning-Netzwerken

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) 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.

Erste Schritte mit Deep Learning Toolbox

Lernen Sie die Grundlagen von Deep Learning Toolbox

Anwendungen

Erweitern von Deep-Learning-Workflows mit Computer Vision, Bildverarbeitung, automatisiertem Fahren, Signalen, Audio, Textanalyse und Finanzberechnungen

Grundlagen des Deep Learning

Importieren, Erstellen, Trainieren, Abstimmen, Visualisieren, Überprüfen und Exportieren von tiefen neuronalen Netzen

Bilddaten-Workflows

Verwendung vortrainierter Netze oder Erstellung und Training von Netzen von Grund auf für die Bildklassifizierung und Regression

Workflows für Sequenz- und numerische Merkmalsdaten

Erstellen und Trainieren von neuronalen Klassifizierungs-, Regressions- und Prognosenetzen für Sequenz- und Tabellendaten

Parallelverarbeitung und Cloud

Skalieren Sie Deep Learning mit mehreren Grafikkarten lokal oder in der Cloud und trainieren Sie mehrere Netze interaktiv oder in Batch-Jobs

Automatische Differenzierung

Anpassen von Deep-Learning-Schichten, Netzen, Trainingsschleifen und Verlustfunktionen

Deep Learning mit Simulink

Erweitern Sie Deep-Learning-Workflows mit Simulink

Code-Generierung

Generieren von C/C++, CUDA- oder HDL-Code und Bereitstellen von Deep-Learning-Netzen

Funktionsannäherung, Clustering und Steuerung

Durchführung von Regression, Klassifizierung, Clustering und Modellierung nichtlinearer dynamischer Systeme mithilfe flacher neuronaler Netze