Main Content

Deep Learning Toolbox

Diseñar, entrenar y analizar redes de deep learning

Deep Learning Toolbox™ proporciona un marco para diseñar e implementar redes neuronales profundas con algoritmos, modelos preentrenados y apps. Puede usar redes neuronales convolucionales (ConvNet, CNN) y redes de memoria de corto-largo plazo (LSTM) para realizar clasificaciones y regresiones en datos de imágenes, series de tiempo y texto. Puede crear arquitecturas de red, como redes generativas antagónicas (GAN) y redes siamesas usando diferenciación automática, bucles de entrenamiento personalizados y pesos compartidos. Con la app Deep Network Designer, puede diseñar, analizar y entrenar redes de forma gráfica. La app Experiment Manager le permite administrar varios experimentos de deep learning, realizar un seguimiento de los parámetros de entrenamiento, analizar los resultados y comparar el código de diferentes experimentos. Puede visualizar las activaciones de las capas y monitorizar de forma gráfica el progreso del entrenamiento.

Puede importar redes y gráficas de capas de TensorFlow™ 2, TensorFlow-Keras y PyTorch®, el formato de modelos ONNX™ (Open Neural Network Exchange) y Caffe. También puede exportar redes de Deep Learning Toolbox y gráficas de capas al formato de modelos TensorFlow 2 y ONNX. La toolbox es compatible con la transferencia del aprendizaje mediante DarkNet-53, ResNet-50, NASNet, SqueezeNet y muchos otros modelos preentrenados.

Puede acelerar el entrenamiento en una estación de trabajo de una sola GPU o varias (usando Parallel Computing Toolbox™), o escalar a clusters y nubes, incluidas instancias de computación en la nube con GPU de NVIDIA® e instancias de GPU de Amazon EC2® (con MATLAB® Parallel Server™).

Introducción a Deep Learning Toolbox

Aprender los aspectos básicos de Deep Learning Toolbox

Deep learning con imágenes

Utilice redes preentrenadas para aprender rápidamente nuevas tareas o entrene redes neuronales convolucionales desde cero.

Deep learning con series de tiempo y datos secuenciales

Cree y entrene redes para tareas de clasificación, regresión y predicción de series de tiempo

Ajuste y visualización de deep learning

Cree y entrene redes de forma interactiva, administre experimentos, represente el progreso del entrenamiento, evalúe la precisión, explique predicciones, ajuste las opciones de entrenamiento y visualice las características aprendidas por una red

Deep learning en paralelo y en la nube

Escale deep learning con varias GPU de forma local o en la nube y entrene varias redes de forma interactiva o en trabajos por lotes

Aplicaciones de deep learning

Amplíe flujos de trabajo de deep learning con visión artificial, procesamiento de imágenes, conducción autónoma, procesamiento de señales, procesamiento de audio, análisis de texto y finanzas computacionales

Importación, exportación y personalización de deep learning

Importe, exporte y personalice redes de deep learning, además de capas, bucles de entrenamiento y funciones de pérdida

Preprocesamiento de datos de deep learning

Preprocese y administre datos de deep learning

Generación de código de deep learning

Genere código C/C++, CUDA® o HDL, y despliegue redes de deep learning

Aproximación, agrupación y control de funciones

Realice regresiones, clasificaciones y agrupaciones, y modele sistemas dinámicos no lineales mediante redes neuronales superficiales