Deep Learning Toolbox
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