Deep Learning

MATLAB für Deep Learning

Datenaufbereitung, Entwurf, Simulation und Bereitstellung für tiefe neuronale Netze

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

Signalverarbeitung

Erfassen und Analysieren von Signalen und Zeitreihendaten

Bildverarbeitung und Computer Vision

Computer Vision

Erfassen, Verarbeiten und Analysieren von Bildern und Videos

Reinforcement Learning

Deep Reinforcement Learning

Definieren und Trainieren von Agenten für das Reinforcement Learning und Bereitstellen der erlernten Strategien

Radar

Radar

Einsatz von Techniken der künstlichen Intelligenz in Radaranwendungen

LiDAR

LiDAR

Einsatz von Techniken der künstlichen Intelligenz in LiDAR-Anwendungen

Drahtlose Kommunikation

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.

Weitere Informationen

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.