Flujos de trabajo de IA de extremo a extremo
Utilice deep learning en tareas de extremo a extremo incluida la definición de requisitos, la preparación de datos, el entrenamiento de redes neuronales profundas, la compresión, las pruebas y verificación de redes, la integración de Simulink y el despliegue
Utilice Deep Learning Toolbox™ en flujos de trabajo de extremo a extremo que incluyen la definición de requisitos, la preparación de datos, el entrenamiento de redes neuronales profundas, la compresión, las pruebas y verificación de redes, la integración de Simulink y el despliegue.
Temas
- Battery State of Charge Estimation Using Deep Learning
Define requirements, prepare data, train deep learning networks, verify robustness, integrate networks into Simulink, and deploy models. (Desde R2024b)
- PASO 1: Define Requirements for Battery State of Charge Estimation
- PASO 2: Prepare Data for Battery State of Charge Estimation Using Deep Learning
- PASO 3: Train Deep Learning Network for Battery State of Charge Estimation
- PASO 4: Compress Deep Learning Network for Battery State of Charge Estimation
- PASO 5: Test Deep Learning Network for Battery State of Charge Estimation
- PASO 6: Integrate AI Model into Simulink for Battery State of Charge Estimation
- PASO 7: Generate Code for Battery State of Charge Estimation Using Deep Learning
- Verify an Airborne Deep Learning System
This example shows how to verify a deep learning system for airborne applications and is based on the work in [5,6,7], which includes the development and verification activities required by DO-178C [1], ARP4754A [2], and prospective EASA and FAA guidelines [3,4]. (Desde R2023b)
