Deep Learning

 

MATLAB für Deep Learning

Vorverarbeitung, Entwurf, Simulation und Bereitstellung von Daten für tiefe neuronale Netze

Sie können mit wenigen Zeilen des MATLAB®-Codes Deep-Learning-Modelle erstellen – und müssen dafür kein Experte sein. Erfahren Sie, wie MATLAB Ihnen helfen kann, mit Deep Learning zu arbeiten.

  • Erstellen, modifizieren und analysieren Sie Deep-Learning-Architekturen mit Hilfe von Apps und Visualisierungstools.
  • Vorverarbeitung von Daten und Automatisierung der Ground-Truth-Kennzeichnung von Bild-, Video- und Audiodaten mit Hilfe von Apps.
  • Beschleunigung von Algorithmen auf NVIDIA® GPUs, Clouds und Rechenzentren ohne spezielle Programmierung.
  • Arbeiten Sie mit Kollegen unter Verwendung von Frameworks wie TensorFlow, PyTorch und MxNet zusammen.
  • Simulieren und trainieren Sie dynamisches Systemverhalten mit Reinforcement Learning.
  • Generieren Sie simulationsbasierte Trainings- und Testdaten aus MATLAB- und Simulink®-Modellen von physischen Systemen.

Deep Learning for:

Warum MATLAB für Deep Learning?

Interoperabilität

Es geht nicht um eine Entweder-oder-Wahl zwischen MATLAB und Python-basierten Frameworks. MATLAB unterstützt die Interoperabilität mit Open-Source-Deep-Learning-Frameworks mithilfe von ONNX-Import- und -Exportfähigkeiten. Nutzen Sie MATLAB-Tools, wo es am sinnvollsten ist – greifen Sie auf Fähigkeiten und vordefinierte Funktionen und Apps zu, die nicht in Python verfügbar sind.

Use labeling apps for deep learning workflows like semantic segmentation. 

Apps für die Vorverarbeitung

Beschreiten/Bewältigen Sie den Weg (bis) zum Training Ihrer Netze schneller (als bisher). Führen Sie die Vorverarbeitung von Datensätzen schneller als bisher durch, mit domänenspezifischen Apps für Audio-, Video- und Bilddaten. Visualisieren, prüfen und beheben Sie Probleme vor dem Trainieren von Netzen mithilfe der Deep Network Designer-App, mit der Anwender komplexe Netzarchitekturen erstellen oder komplexe vortrainierte Netze für das Transfer Learning verändern können.

Multi-Plattform-Entwicklung

Stellen Sie Deep-Learning-Modelle überall bereit: In CUDA, als C-Code, in Unternehmenssystemen oder in der Cloud. Sobald es um die Performance geht, können Sie Code generieren, der optimierte Bibliotheken von Intel® (MKL-DNN), NVIDIA (TensorRT, cuDNN) und ARM® (ARM Compute Library) nutzt, um bereitzustellende Modelle mit hochleistungsfähiger Inferenzgeschwindigkeit zu erstellen.

Jetzt schnell loslegen

Sehen Sie sich eine Demo an, erkunden Sie die interaktiven Beispiele und nutzen Sie kostenlose Tutorials.

Kostenlose Testversion anfordern

Eine 30-tägige Erkundungsreise in greifbarer Nähe.

Haben Sie Fragen?

Sprechen Sie mit einem Deep-Learning-Experten.