Deep Learning Toolbox
Entwerfen, Trainieren, Analysieren und Simulieren von Deep-Learning-Netzen
Haben Sie noch Fragen? Kontaktieren Sie den Vertrieb.
Die Deep Learning Toolbox umfasst Funktionen, Apps und Simulink-Blöcke zum Entwerfen, Implementieren und Simulieren tiefer neuronaler Netze. Die Toolbox stellt ein Framework bereit, um eine Vielzahl von Netzen zu erstellen und zu verwenden, wie Convolutional Neural Networks (neuronale Faltungsnetze, CNNs) und Transformer. Sie können Netzprognosen visualisieren und interpretieren, Netzeigenschaften verifizieren und Netze durch Quantisierung, Projektion oder Pruning komprimieren.
Die Deep Network Designer-App ermöglicht das interaktive Entwerfen, Bearbeiten und Analysieren von Netzen, das Importieren vortrainierter Modelle und das Exportieren von Netzen in Simulink. Über die Toolbox können Sie mit anderen Deep-Learning-Frameworks interagieren. Sie können PyTorch®-, TensorFlow™- und ONNX™-Modelle zu Inferenz-, Transfer-Learning-, Simulations- und Implementierungszwecken importieren. Außerdem lassen sich Modelle in TensorFlow und ONNX exportieren.
Sie können automatisch C/C++, CUDA® und HDL Code für trainierte Netze generieren.
Deep Learning für Ingenieure
Erstellen und verwenden Sie erklärbare, fehlerresistente und skalierbare Deep-Learning-Modelle bei der automatischen Sichtprüfung, Modellierung mit reduzierter Ordnung, drahtlosen Kommunikation, Computer Vision und anderen Anwendungen.
Low-Code-Apps
Mit der Time Series Modeler App können Sie KI-Modelle für Zeitreihendaten visualisieren, erstellen, trainieren und vergleichen. Beschleunigen Sie Netzwerkentwurf und -analyse für integrierte und Python-basierte Modelle mit der Deep Network Designer App.
Deep Learning 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.
Integration in PyTorch und TensorFlow
Austausch von Deep-Learning-Modellen mit Python-basierten Deep-Learning-Frameworks. Importieren Sie PyTorch-, TensorFlow- und ONNX-Modelle, exportieren Sie Netze in TensorFlow und ONNX mit nur einer Zeile Code. Führen Sie Python-basierte Modelle gemeinsam in MATLAB und Simulink aus.
Codegenerierung und -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) zur Bereitstellung auf FPGAs und SoCs.
Erklärbarkeit und Verifikation
Visualisieren Sie den Trainingsfortschritt und Aktivierungen tiefer neuronaler Netze. Verwenden Sie Grad-CAM, D-RISE und LIME, um Netzergebnisse zu erklären. Verifizieren von Robustheit und Zuverlässigkeit tiefer neuronaler Netze
Entwurf und Training von Netzen
Verwenden Sie Deep-Learning-Algorithmen, um CNNs, LSTMs, GANs und Transformer zu erstellen, oder führen Sie Transfer Learning mit vortrainierten Modellen durch. Bild-, Video- und Signaldaten lassen sich zum Netztraining automatisch kennzeichnen, verarbeiten und anreichern.
Deep-Learning-Komprimierung
Komprimieren Sie Ihr Deep-Learning-Netz mit Quantisierung, Projektion oder Pruning, damit es weniger Arbeitsspeicher verbraucht, und steigern Sie die Inferenzleistung. Beurteilen Sie die Inferenzleistung und -genauigkeit mithilfe der Deep Network Quantizer-App.
Hochskalierung des Deep Learning
Verbessern Sie die Trainingsgeschwindigkeit beim Deep Learning mithilfe von GPUs, Cloud-Beschleunigung und verteilten Systemen. Trainieren Sie mehrere Netze parallel und lassen Sie Deep-Learning-Berechnungen im Hintergrund ausführen.
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.“
Deep Learning Toolbox FAQs
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 Netzwerke mit einer einzigen Codezeile nach TensorFlow und ONNX exportieren.
Mit der App „Deep Network Designer“ können Sie Netzwerke interaktiv entwerfen, bearbeiten und analysieren, vortrainierte Modelle importieren und Netzwerke nach Simulink exportieren.
Mit der App „Time Series Modeler“ 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, um das Training und die Berechnungen von Deep Learning zu beschleunigen.
Ja, Sie können automatisch optimierten C/C++, CUDA- und HDL-Code für trainierte Netzwerke 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 Netzwerkergebnisse zu erklären, und die Robustheit und Zuverlässigkeit tiefer neuronaler Netze mit der Deep Learning Toolbox Verification Library überprüfen.
Ja, Sie können Netzwerke mithilfe der Deep Network Designer-App auf Komprimierbarkeit analysieren und anschließend Netzwerke 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.
