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™).