Deep Learning Toolbox

ACTUALIZACIÓN IMPORTANTE

 

Deep Learning Toolbox

Diseñe, entrene, analice y simule redes de Deep Learning

Obtenga una versión de prueba gratuita
Consulte tarifas

¿Tiene preguntas? Comuníquese con ventas.

Deep Learning Toolbox ofrece funciones, apps y bloques de Simulink para diseñar, implementar y simular redes neuronales profundas. Esta toolbox proporciona un marco para crear y utilizar muchos tipos de redes, tales como redes neuronales convolucionales (CNN) y transformadores. Puede visualizar e interpretar predicciones de redes, verificar propiedades de redes y comprimir redes con cuantización, proyección o poda.

Con la app Deep Network Designer, puede diseñar, editar y analizar redes de manera interactiva, importar modelos previamente entrenados, y exportar redes a Simulink. La toolbox permite interoperar con otros marcos de Deep Learning. Puede importar modelos de PyTorch®, TensorFlow™ y ONNX™ para inferencia, transferencia del aprendizaje, simulación y despliegue. También puede exportar modelos a TensorFlow y ONNX.

Puede generar automáticamente código C/C++, CUDA® y HDL para redes entrenadas.
¿Qué es Deep Learning Toolbox?
PCB con el título “Predicted Defects” (defectos predichos) y tres anotaciones con el rótulo “missing_hole” (orificio defectuoso).

Deep Learning para ingeniería

Cree y use modelos de Deep Learning explicables, sólidos y escalables para inspección visual automatizada, modelado de orden reducido, telecomunicaciones, visión artificial y otras aplicaciones.

Deep Learning para ingeniería: Desarrollo de un sistema de IA (3:40)

Documentación | Ejemplos

Tres imágenes que muestran modelado de sensores virtuales con Deep Learning, y otra con un gráfico

Deep Learning en Simulink

Utilice Deep Learning con Simulink para probar la integración de modelos de Deep Learning en sistemas de mayor tamaño. Simule modelos basados en MATLAB o Python para evaluar su comportamiento y el rendimiento del sistema.

Integración de un modelo de TensorFlow en Simulink para simular y generar código (5:47)

Documentación | Ejemplos

Diagrama de flujo que muestra cómo importar modelos desde TensorFlow, ONNX y PyTorch, y exportarlos a TensorFlow y ONNX.

Integración con PyTorch y TensorFlow

Intercambie modelos de Deep Learning con marcos de Deep Learning basados en Python. Importe modelos de PyTorch, TensorFlow y ONNX, y exporte redes a TensorFlow y ONNX con una sola línea de código. Coejecute modelos basados en Python en MATLAB y Simulink.

Interoperabilidad entre Deep Learning Toolbox, TensorFlow, PyTorch y ONNX

Documentación | Ejemplos

Diagrama que muestra generación de código de MATLAB y Simulink para desplegar modelos de Deep Learning, y los dispositivos objetivo en los que se puede desplegar el código.

Generación y despliegue de código

Genere automáticamente código C/C++ optimizado (con MATLAB Coder) y código CUDA (con GPU Coder) para desplegarlo en CPU y GPU. Genere código Verilog® y VHDL® sintetizable (con Deep Learning HDL Toolbox) para desplegarlo en FPGA y SoC.

Generación de código C/C++ genérico para redes de Deep Learning en Simulink (5:10)

Documentación | Ejemplos

Cuatro imágenes de la misma escena vial que representan la imagen de prueba, segmentación semántica, Grad-CAM de la vía y Grad-CAM del pavimento.

Explicabilidad y verificación

Visualice el progreso del entrenamiento y las activaciones de redes neuronales profundas. Utilice Grad-CAM, D-RISE y LIME para explicar los resultados de redes. Verifique la solidez y fiabilidad de redes neuronales profundas.

Introducción a la IA explicable (3:45)

Documentación | Ejemplos

Página de inicio de la app Deep Network Designer que muestra opciones para importar modelos previamente entrenados, incluyendo modelos de PyTorch y TensorFlow, y redes de imágenes, incluyendo SqueezeNet, GoogLeNet y Res-Net-50.

Diseño y entrenamiento de redes

Utilice algoritmos de Deep Learning para crear CNN, LSTM, GAN y transformadores, o realice transferencia del aprendizaje con modelos previamente entrenados. Etiquete, procese y aumente automáticamente datos de imágenes, vídeos y señales para entrenar redes.

Uso de transferencia del aprendizaje | Deep Learning para ingeniería - parte 4 (16:18)

Documentación | Ejemplos

App Deep Network Designer que muestra una red con docenas de capas.

Apps de low-code

Acelere el diseño, análisis y transferencia del aprendizaje de redes para modelos integrados y basados en Python con la app Deep Network Designer. Ajuste y compare múltiples modelos con la app Experiment Manager.

Creación, visualización y edición interactivas de redes de Deep Learning (3:54)

Documentación | Ejemplos

App Deep Network Quantizer que muestra tres secciones independientes: un gráfico de capas de red, estadísticas de calibración y un resumen de validación.

Compresión de Deep Learning

Comprima una red de Deep Learning con cuantización, proyección o poda para reducir su superficie de memoria y aumentar el rendimiento de la inferencia. Evalúe el rendimiento y precisión de la inferencia con la app Deep Network Quantizer.

Cuantización de una red de Deep Learning en MATLAB (2:50)

Documentación | Ejemplos

Dos gráficas de progreso de entrenamiento muestran precisión y pérdida de entrenamiento y validación. La precisión tiene una trayectoria ascendente, mientras que la pérdida tiene una trayectoria descendente.

Escalado de Deep Learning

Acelere el entrenamiento de Deep Learning con GPU, aceleración en la nube y cálculo distribuido. Entrene múltiples redes en paralelo y descargue cálculos de Deep Learning para que se ejecuten en segundo plano.

Aceleración del entrenamiento de redes neuronales profundas

Documentación | Ejemplos

Recursos del producto:

Documentación Ejemplos Vídeos Artículos técnicos Funciones Requisitos Notas de la versión
Mercedes-Benz simula sensores de hardware con redes neuronales profundas

"Esta era la primera vez que simulamos sensores con redes neuronales en una de nuestras UCE del sistema de propulsión. Sin MATLAB y Simulink, hubiéramos tenido que emplear un tedioso proceso de programación manual muy lento y propenso a errores".

Katja Deuschl, desarrolladora de IA en Mercedes-Benz
Vea más casos prácticos

Obtenga una versión de prueba gratuita

30 días de exploración a su alcance.

Descargue ahora

¿Tiene interés en comprar?

Obtenga información sobre precios y explore productos relacionados.

Consulte tarifas Comuníquese con ventas

¿Es estudiante?

Es posible que su centro educativo ya ofrezca acceso a MATLAB, Simulink y otros productos complementarios mediante una infraestructura Campus-Wide License.

Obtenga MATLAB