Deep Learning-Anwendungen
Mit nur wenigen Zeilen MATLAB Programmcode können Sie Deep Learning in Ihre Anwendungen integrieren, ganz gleich, ob Sie Algorithmen entwerfen, Daten aufbereiten und kennzeichnen oder Code generieren und auf Embedded Systems bereitstellen.
Signalverarbeitung
Erfassen und Analysieren von Signalen und Zeitreihendaten
Computer Vision
Erfassen, Verarbeiten und Analysieren von Bildern und Videos
Deep Reinforcement Learning
Definieren und Trainieren von Agenten für das Reinforcement Learning und Bereitstellen der erlernten Strategien
Radar
Einsatz von Techniken der künstlichen Intelligenz in Radaranwendungen
LiDAR
Einsatz von Techniken der künstlichen Intelligenz in LiDAR-Anwendungen
KI für drahtlose Anwendungen
Anwenden von KI-Techniken auf drahtlose Kommunikationsanwendungen
Warum MATLAB für Deep Learning?
MATLAB vereinfacht den Übergang von Deep-Learning-Modellen auf reale KI-Systeme.
Datenvorverarbeitung
Verwenden Sie interaktive Apps zum Kennzeichnen, Beschneiden und Identifizieren wichtiger Merkmale sowie integrierte Algorithmen zur Automatisierung des Kennzeichnungsvorgangs.
Trainieren und Bewerten von Modellen
Beginnen Sie mit einem vollständigen Satz von Algorithmen und vorgefertigten Modellen und erstellen und modifizieren Sie dann Deep-Learning-Modelle mit der Deep Network Designer-App.
Simulieren von Daten
Testen Sie Deep Learning-Modelle durch Einbindung in Simulink-Simulationen auf Systemebene. Testen Sie Randszenarien, die nur schwer auf Hardware auszuprobieren sind. Verstehen Sie, wie sich Ihre Deep Learning-Modelle auf die Leistung des Gesamtsystems auswirken.
Bereitstellen trainierter Netze
Stellen Sie Ihr trainiertes Modell auf Embedded Systems, FPGA-Geräten, in Unternehmenssystemen oder in der Cloud bereit. Generieren Sie Code aus Intel®-, NVIDIA®- und ARM®‑Bibliotheken, um einsatzbereite Modelle mit leistungsstarker Inferenzgeschwindigkeit zu erstellen.
Integration in Python-basierte Frameworks
Mit MATLAB können Sie durch den Import von Tensorflow-Modellen und den Einsatz von ONNX-Funktionen von überall auf neueste Studien zugreifen. Sie können eine Bibliothek vorgefertigter Modelle, einschließlich NASNet, SqueezeNet, Inception-v3 und ResNet-101 verwenden, um mit der Entwicklung zu beginnen. Der Aufruf von Python aus MATLAB und umgekehrt ermöglicht Ihnen die Zusammenarbeit mit Kollegen, die Open Source verwenden.
Deep Learning mit MATLAB – Tutorials und Beispiele
Ganz gleich, ob Sie Deep Learning gerade erst kennenlernen oder nach einem durchgängigen Workflow suchen: Sehen Sie sich diese MATLAB-Ressourcen an, die Ihnen bei Ihrem nächsten Projekt helfen können.
Kostenlose Testversion anfordern
30 Tage kostenlos ausprobieren.
Deep Learning Toolbox
DeepLearning-Netze entwickeln, trainieren und analysieren.
Gemeinsames Programmieren
Lernen Sie mit einem Deep-Learning-Experten.
