KI mit MATLAB und Python
R2026bKooperieren Sie mit Kollegen, die mit anderen Deep-Learning-Frameworks arbeiten, um PyTorch®- oder TensorFlow™-Modelle mithilfe der parallelen Ausführung von Python zu trainieren und zu testen.
Verwenden Sie die Signal Processing-Toolboxen, um Signale vorzuverarbeiten, Datensätze zu generieren und Merkmale zu extrahieren, um Python-Modelle zu trainieren und zu testen.
Integrieren Sie Ihre Arbeit in Model-Based Design-Workflows. Weitere Informationen finden Sie unter Deep Learning mit Simulink (Deep Learning Toolbox).
Importieren und implementieren Sie Ihr System nach der Qualifizierung Ihres Designs auf verschiedenen möglichen Plattformen. Weitere Informationen finden Sie unter Interoperability Between Deep Learning Toolbox, TensorFlow, PyTorch, and ONNX (Deep Learning Toolbox) und Code Generation for PyTorch and LiteRT Models (MATLAB Coder).
Testen Sie Audiomodelle in Echtzeit mithilfe von Audio-I/O mit geringer Latenz. Wenn Sie Audio Toolbox™ besitzen, können Sie Modelle auch als Audio-Plugins bereitstellen, um sie portabel zu nutzen und in einer digitalen Audio-Workstation zu verwenden.
Verwandte Informationen
Themen
- Python Coexecution
Coexecute Python models in MATLAB to implement AI signal processing workflows. (Seit R2026a)
Enthaltene Beispiele
Use Signal Feature Extraction to Train PyTorch Fault Detection Model
Coexecute a PyTorch long short-term memory neural network in MATLAB to identify faulty bearing signals.
Signal Imputation in Signal Analyzer Using Time-Series Foundation Model
Coexecute a PyTorch time-series foundation model in Signal Analyzer to restore missing samples in signals.
Anomaly Detection in Signal Labeler Using Time-Series Foundation Model
Coexecute a PyTorch time-series foundation model in Signal Labeler to detect anomalies in signals.
Train PyTorch Speech Command Recognition Model
Learn how to combine MATLAB data processing and visualization capabilities with a Python deep learning framework.
