Deep Learning Toolbox
Deep Learning-Netze entwickeln, trainieren und analysieren
Haben Sie Fragen? Vertrieb kontaktieren.
Haben Sie Fragen? Vertrieb kontaktieren.
Die Deep Learning Toolbox™ bietet einen Rahmen für die Entwicklung und Implementierung tiefer neuronaler Netze mit Algorithmen, vortrainierten Modellen und Apps. Sie können Convolutional Neural Networks (ConvNets, CNNs) und LSTM-Netze (Long Short-Term Memory) verwenden, um die Klassifikation und die Regression für Bild-, Zeitreihen- und Textdaten durchzuführen. Sie können Netzarchitekturen wie z.B. Generative Adversarial Networks (GANs) und Siamesische Netze mit automatischer Differenzierung, benutzerdefinierten Trainingsschleifen und gemeinsamen Gewichtungen aufbauen. Mit der Deep Network Designer-App können Sie Netze grafisch entwerfen, analysieren und trainieren. Die Experiment Manager-App hilft Ihnen, mehrere Deep-Learning-Experimente zu verwalten, Trainingsparameter zu verfolgen, Ergebnisse zu analysieren und Code aus verschiedenen Experimenten zu vergleichen. Sie können Schichtenaktivierungen visualisieren und den Trainingsfortschritt grafisch überwachen.
Sie können Netze und Schichtdiagramme aus TensorFlow™ 2, TensorFlow-Keras, PyTorch®, dem ONNX™-Modellformat (Open Neural Network Exchange) und Caffe importieren. Außerdem können Sie Deep Learning Toolbox-Netze und -Schichtdiagramme nach TensorFlow 2 und im ONNX-Modellformat exportieren. Die Toolbox unterstützt Transfer Learning mit DarkNet-53, ResNet-50, NASNet, SqueezeNet und vielen anderen vortrainierten Modellen.
Sie können das Training auf einer Einzel- oder Mehrfach-GPU-Workstation beschleunigen (mit Parallel Computing Toolbox™) oder auf Cluster und Clouds hochskalieren, einschließlich NVIDIA® GPU Cloud und Amazon EC2® GPU-Instanzen (mit MATLAB Parallel Server™).
Trainieren Sie Deep-Learning-Modelle zur Klassifizierung, zur Regression und zum Feature-Learning für Anwendungen in den Bereichen automatisiertes Fahren, Signal- und Audioverarbeitung, drahtlose Kommunikation, Bildverarbeitung und mehr.
Beschleunigen Sie die Entwicklung von Deep-Learning-Modellen mithilfe von Low-Code-Anwendungen. Erstellen, trainieren, analysieren und debuggen Sie ein Netz mithilfe der Deep Network Designer-App. Optimieren und vergleichen Sie mehrere Modelle mithilfe der Experiment Manager-App.
Mit einer einzigen Code-Zeile in MATLAB haben Sie Zugriff auf die wichtigsten Modelle. Verwenden Sie PyTorch™ über ONNX und TensorFlow™, um beliebige Modelle in MATLAB zu importieren.
Visualisieren Sie den Trainingsfortschritt und die Aktivierung der gelernten Funktionen in einem Deep-Learning-Netz. Verwenden Sie Grad-CAM, Occlusion Mapping und LIME, um die Ergebnisse von Deep-Learning-Modellen anschaulicher zu erklären.
Markieren, verarbeiten und ergänzen Sie Daten für das Training des Netzwerks. Automatisieren Sie die Datenkennzeichnung mit integrierten Algorithmen.
Verbessern Sie die Trainingsgeschwindigkeit beim Deep Learning mithilfe von GPUs, Cloud-Beschleunigung und verteilten Systemen.
Generieren Sie automatisch optimierten CUDA®-Code mit dem GPU Coder™ und C und C++ Code mit dem MATLAB Coder™, um Deep-Learning-Netze auf NVIDIA-GPUs und verschiedenen Prozessoren bereitzustellen. Mithilfe der Deep Learning HDL Toolbox™ können Sie jetzt Prototypen von Deep-Learning-Netzen erstellen und auf FPGAs und SoCs implementieren.
Simulieren Sie Deep-Learning-Netze mit Regelungs-, Signalverarbeitungs- und Sensor-Fusion-Komponenten, um die Auswirkungen Ihres Deep-Learning-Modells auf die Gesamtsystem-Performance zu bewerten.
Quantisieren und optimieren Sie Ihr Deep-Learning-Netz, um den Speicherbedarf zu senken und die Inferenzleistung zu steigern. Analysieren und visualisieren Sie mit der Deep Network Quantizer-App den Kompromiss zwischen höherer Leistung und Inferenzgenauigkeit.
30 Tage kostenlos ausprobieren.
Angebot anfordern und Erweiterungsprodukte entdecken.
Ihre Hochschule bietet möglicherweise bereits Zugang zu MATLAB, Simulink und Add-on-Produkten über eine Campus-Wide License.