Deep Learning Toolbox

Deep Learning-Netze entwickeln, trainieren und analysieren

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™).

Was ist die Deep Learning Toolbox?

YOLO v2 ist ein Netz zur Objekterkennung von zwei Autos, die auf einer Straße mit zwei gelben Linien fahren, und Fußgängern, die auf einem Zebrastreifen gehen.

Deep-Learning-Anwendungen

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.

Einführung in Deep Learning: Was sind Convolutional Neural Networks? (4:44)

Dokumentation | Beispiele

Bildschirmausschnitt der Deep Network Designer-App.

Netzwerkentwicklung und Modellmanagement

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.

Deep-Learning-Netze interaktiv erstellen, visualisieren und bearbeiten (3:54)

Dokumentation | Beispiele

Beispiele für andere vortrainierte Netze in Deep Network Designer.

Vortrainierte Modelle

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.

Deep Learning mit MATLAB: Transfer Learning mit Neuronalen Netzen in MATLAB (4:05)

Dokumentation | Beispiele

Vier Bilder derselben Szene, die das Testbild, die semantische Segmentierung, die Grad-CAM der Straße und die Grad-CAM des Gehwegs darstellen.

Erklärbarkeit

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.

Dokumentation | Beispiele

Vier Bilder eines Hundes, die zeigen, wie gängige Arten der Bild- und Begrenzungsrahmen-Augmentierung als Teil von Objekterfassungs-Workflows durchgeführt werden können.

Vorverarbeitung

Markieren, verarbeiten und ergänzen Sie Daten für das Training des Netzwerks. Automatisieren Sie die Datenkennzeichnung mit integrierten Algorithmen.

Dokumentation | Beispiele

Zwei Graphen, die für den Trainingsfortschritt verwendet wurden, zeigen einen mit einer blauen Kurve in einer aufsteigenden Bahnverfolgungsgenauigkeit und den zweiten mit einer orangen Kurve in einem absteigenden Bahnverfolgungsverlust.

Beschleunigung des Trainings

Verbessern Sie die Trainingsgeschwindigkeit beim Deep Learning mithilfe von GPUs, Cloud-Beschleunigung und verteilten Systemen.

Dokumentation | Beispiele

Codegenerierung

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.

Generieren von generischem C/C++ Code für Deep-Learning-Netze in Simulink (5:10)

Dokumentation | Beispiele

Drei Bildschirmansichten, die die virtuelle Sensormodellierung mithilfe von Deep Learning zeigen, und eine Bildschirmansicht eines Liniendiagramms, das Variablen wie Wahrheit, E K F, Deep Learning F N N und Deep Learning L S T M aufzeichnet.

Simulation mit Simulink

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.

Integration des TensorFlow-Modells in Simulink für Simulations- und Codegenerierungszwecke (5:47)

Dokumentation | Beispiele

Bildschirmansicht des Deep Network Quantizer-Fensters, das zur Reduzierung der Modellgröße sowie zur Validierung und Visualisierung der Ergebnisse verwendet wird. Auf dem Bildschirm sind drei Bereiche zu sehen: Netzschichtdiagramm, Kalibrierungsstatistik und Validierungszusammenfassung.

Deep-Learning-Komprimierung

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.

Quantisierung eines Deep-Learning-Netzes in MATLAB (2:50)

Dokumentation | Beispiele