• 文档
main content

deep learning toolbox 快速入门 -凯发k8网页登录

设计、训练和分析深度学习网络

deep learning toolbox™ 提供了一个用于通过算法、预训练模型和 app 来设计和实现深度神经网络的框架。您可以使用卷积神经网络（convnet、cnn）和长短期记忆 (lstm) 网络对图像、时间序列和文本数据执行分类和回归。您可以使用自动微分、自定义训练循环和共享权重来构建网络架构，如生成对抗网络 (gan) 和孪生网络。使用深度网络设计器，您能够以图形方式设计、分析和训练网络。试验管理器可帮助您管理多个深度学习试验，跟踪训练参数，分析结果，并比较不同试验的代码。您可以可视化层激活，并以图形方式监控训练进度。

您可以从 tensorflow™ 2、tensorflow-keras、pytorch® 以及 onnx™（开放式神经网络交换）模型格式和 caffe 导入网络与层图。您还可以将 deep learning toolbox 网络和层图导出为 tensorflow 2 和 onnx 模型格式。该工具箱支持使用 darknet-53、resnet-50、nasnet、squeezenet 和许多其他预训练模型进行迁移学习。

您可以在单 gpu 或多 gpu 工作站（安装了 parallel computing toolbox™）上加快训练速度，或扩展到集群和云，包括 nvidia®  gpu cloud 和 amazon ec2® gpu 实例（安装了 matlab® parallel server™）。

教程

    app 工作流


    • 此示例说明如何使用深度网络设计器来适应预训练的 googlenet 网络以对新的图像集合进行分类。此过程称为迁移学习，通常比训练新网络更快更容易，因为您可以使用较少数量的训练图像将已学习的特征应用于新任务。要以交互方式准备用于迁移学习的网络，请使用深度网络设计器。

    • 此示例说明如何使用迁移学习来重新训练 squeezenet（一种预训练卷积神经网络）以对新图像集进行分类。尝试此示例以了解在 matlab® 中进行深度学习有多么简单。

    • 此示例说明如何使用深度网络设计器创建和训练简单的卷积神经网络来进行深度学习分类。卷积神经网络是深度学习的基本工具，尤其适用于图像识别。

    • 此示例说明如何使用深度网络设计器创建简单的长短期记忆 (lstm) 分类网络。

    命令行工作流


    • 了解如何使用深度学习通过 squeezenet 预训练网络识别实时网络摄像头画面中的对象。

    • 此示例说明如何使用预训练的深度卷积神经网络 googlenet 对图像进行分类。

    • 此示例说明如何创建和训练简单的卷积神经网络来进行深度学习分类。卷积神经网络是深度学习的基本工具，尤其适用于图像识别。

精选示例

交互式学习


此教程为免费课程，以交互方式介绍实用的深度学习方法，时长为两个小时。您将学习如何在 matlab 中使用深度学习方法进行图像识别。

视频


深度网络设计器是一个点选式工具，用于创建或修改深度神经网络。此视频说明如何在迁移学习工作流中使用该 app。它说明如何轻松地使用该工具修改所导入网络中的最后几个层，而不必通过命令行修改这些层。您可以使用网络分析器检查修改后的架构中的连接和属性分配错误。


了解如何使用 matlab、普通的网络摄像头和深度神经网络来识别周围环境中的物品。


了解如何在 matlab 中使用迁移学习来针对您自己的数据或任务重新训练由专家创建的深度学习网络。

网站地图