Deep Learning Toolbox
Entwerfen, Trainieren, Analysieren und Simulieren von Deep-Learning-Netzen
Haben Sie noch Fragen? Vertrieb kontaktieren.
Die Deep Learning Toolbox bietet Funktionen, Apps und Simulink-Blöcke zum Entwerfen, Trainieren und Simulieren tiefer neuronaler Netze. Sie können Prognosen visualisieren und interpretieren, Netzeigenschaften verifizieren und Netze durch Pruning, Projektion oder Quantisierung komprimieren. Außerdem lässt sich C/C++, CUDA®- und HDL-Code für trainierte Netze generieren (mit MATLAB Coder, GPU Coder oder der Deep Learning HDL Toolbox).
Die Toolbox umfasst Schnittstellen zu anderen KI-Frameworks und ermöglicht dadurch die Inferenz in MATLAB und Simulink sowie den Import von Modellen aus PyTorch®, TensorFlow®, Keras™ und ONNX® in MATLAB.
Mit der Deep Network Designer-App können Sie Netze entwerfen, importieren, bearbeiten und analysieren. Mit der Time Series Modeler-App lassen sich Modelle zur Zeitreihenvorhersage trainieren und vergleichen, ohne Code zu schreiben.
Entwerfen technischer Systeme
Erstellen und verwenden Sie erklärbare, fehlerresistente und skalierbare Deep-Learning-Modelle für virtuelle Sensoren, die automatische Sichtprüfung, die Modellierung mit reduzierter Ordnung, die drahtlose Kommunikation, Computer Vision und andere Anwendungen.
Erstellen mit Low-Code-Apps
Visualisieren, erstellen, trainieren und vergleichen Sie KI-Modelle für Zeitreihendaten mithilfe der Time Series Modeler-App. Beschleunigen Sie Entwurf und Analyse von Netzen für integrierte und Python-basierte Modelle mithilfe der Deep Network Designer-App.
Integrieren von Modellen in Simulink
Verwenden Sie Deep Learning mit Simulink, um die Integration von Deep-Learning-Modellen in größere Systeme zu testen. Simulieren Sie auf MATLAB oder Python basierende Modelle, um Modellverhalten und Systemleistung abzuschätzen.
Interaktion mit PyTorch und ONNX
Austausch von Deep-Learning-Modellen mit Python-basierten Deep-Learning-Frameworks. Importieren Sie PyTorch-, TensorFlow- sowie ONNX-Modelle und exportieren Sie Netze in TensorFlow und ONNX. Führen Sie Python-basierte Modelle gemeinsam in MATLAB und Simulink aus.
Verifizieren und Erläutern von Modellverhalten
Verifizieren Sie die Robustheit und Zuverlässigkeit von Deep-Learning-Modellen in MATLAB, PyTorch und ONNX mithilfe formaler Methoden und der Erkennung von Out-of-Distribution mit der AI Verification Library. Visualisieren Sie den Trainingsfortschritt sowie Aktivierungen und erläutern Sie Netzprognosen.
Komprimieren neuronaler Netze
Komprimieren Sie Ihre Deep-Learning-Netze mit Pruning, Projektion oder Quantisierung, damit es weniger Arbeitsspeicher verbraucht, und steigern Sie die Inferenzleistung. Beurteilen Sie die Inferenzleistung und -genauigkeit mithilfe der Deep Network Quantizer-App.
Codegenerierung zur Bereitstellung
Generieren Sie automatisch optimierten C/C++ Code (mit MATLAB Coder) und CUDA Code (mit GPU Coder) zur Bereitstellung auf CPUs und GPUs. Generieren Sie synthetisierbaren Verilog® und VHDL® Code (mit der Deep Learning HDL Toolbox) für FPGAs und SoCs.
Produktressourcen:
„Es war das erste Mal, dass wir Sensoren mit neuronalen Netzen in einer unserer Antriebs-ECUs simuliert haben. Ohne MATLAB und Simulink müssten wir umständlich und händisch programmieren, was äußerst langsam und fehleranfällig ist.“
Häufig gestellte Fragen zur Deep Learning Toolbox
Die Deep Learning Toolbox bietet Funktionen, Apps und Simulink-Blöcke zum Entwerfen, Implementieren und Simulieren tiefer neuronaler Netze wie CNNs, LSTMs und Transformer.
Sie können Convolutional Neural Networks (CNNs), LSTMs, GANs und Transformers erstellen oder Transfer Learning mit vortrainierten Modellen durchführen.
Ja, Sie können PyTorch-, TensorFlow- und ONNX-Modelle für Inferenz, Transfer Learning, Simulation und Bereitstellung importieren und Netze mit einer einzigen Codezeile nach TensorFlow und ONNX exportieren.
Mit der Deep Network Designer-App können Sie Netze interaktiv entwerfen, bearbeiten und analysieren, vortrainierte Modelle importieren und Netze nach Simulink exportieren.
Mit der Time Series Modeler-App können Sie Zeitreihendaten visualisieren, vorverarbeiten und laden, neuronale Netze interaktiv entwerfen, bearbeiten und trainieren sowie Netze nach Simulink exportieren, um Zeitreihenregressions- und Prognoseprobleme wie die virtuelle Sensormodellierung zu lösen.
Ja, die Toolbox unterstützt GPU-Beschleunigung für schnelleres Training und schnellere Berechnungen von Deep Learning.
Ja, Sie können automatisch optimierten C/C++, CUDA- und HDL-Code für trainierte Netze zur Bereitstellung auf CPUs, GPUs, MCUs und FPGAs generieren.
Sie können den Trainingsfortschritt und die Aktivierungen visualisieren, Grad-CAM, D-RISE und LIME verwenden, um die Netzergebnisse zu erklären, und die Robustheit und Zuverlässigkeit tiefer neuronaler Netze mit der AI Verification Library for Deep Learning Toolbox überprüfen.
Ja, Sie können Netze mithilfe der Deep Network Designer-App auf Komprimierbarkeit analysieren und anschließend Netze mit Quantisierung, Projektion oder Pruning komprimieren, um den Speicherbedarf zu reduzieren und die Inferenzleistung mithilfe der Deep Network Quantizer-App zu erhöhen.
Ja, Sie können Deep-Learning-Modelle in Simulink integrieren, um die Integration mit größeren Systemen zu testen und Modelle auf Basis von MATLAB oder Python zu simulieren.
Deep Learning Toolbox kostenlos ausprobieren
Entdecken Sie noch heute die Möglichkeiten.
Bereit zum Kauf?
Angebot anfordern und Erweiterungsprodukte entdecken.
Studieren Sie?
Ihre Hochschule bietet möglicherweise bereits Zugang zu MATLAB, Simulink und Add-on-Produkten über eine Campus-Wide License.
