Deep Learning Toolbox
Entwerfen, Trainieren, Analysieren und Simulieren von Deep-Learning-Netzen
Haben Sie noch Fragen? Kontaktieren Sie den Vertrieb.
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.
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.
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.
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.
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.
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
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.
Beschleunigen Sie Entwurf, Analyse und Transfer Learning von Netzen für integrierte und Python-basierte Modelle mithilfe der Deep Network Designer-App. Optimieren und vergleichen Sie mehrere Modelle mithilfe der Experiment Manager-App.
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.
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.
„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.“
Katja Deuschl, KI-Entwicklerin bei Mercedes-Benz
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.