deep learning toolbox™ 包含一系列算法、预训练模型和应用程序,为您设计和实现深度神经网络提供框架。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构建网络架构,例如生成式对抗网络 (gan) 和孪生网络。借助深度网络设计器,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实验、跟踪训练参数、分析结果,并比较来自不同实验的代码。您可以将层激活区域可视化,并以图形方式监控训练进度。
您可以从 tensorflow™ 2、tensorflow-keras、pytorch®、onnx™(开放式神经网络交换)模型格式和 caffe 中导入网络和层次图。您还可以将 deep learning toolbox 网络和层次图导出为 tensorflow 2 和 onnx 模型格式。该工具箱支持基于 darknet-53、resnet-50、nasnet、squeezenet 及其他多种预训练模型进行迁移学习。
您可以在单 gpu 或多 gpu 工作站上更快地训练模型(需要 parallel computing toolbox™),或者将运算扩展到集群和云,例如 nvidia® gpu cloud 和 amazon ec2® gpu 实例(需要 matlab parallel server™)。
预训练模型
在 matlab 中用一行代码访问常用的模型。通过 onnx 和 tensorflow™ 使用 pytorch™ 将任何模型导入 matlab。
深度学习压缩
对您的深度学习网络进行量化和剪枝,以减少内存使用量并提高推断性能。使用深度网络量化器,对性能与推断准确性之间的权衡进行分析和可视化。