Deep Learning Toolbox

 

Deep Learning Toolbox

Diseñe, entrene y analice redes de Deep Learning

Obtenga una versión de prueba gratuita
Consulte tarifas

¿Tiene preguntas? Comuníquese con ventas.

Deep Learning Toolbox™ proporciona un marco para diseñar e implementar redes neuronales profundas con algoritmos, modelos previamente entrenados y apps. Puede utilizar redes neuronales convolucionales (ConvNet y CNN) y redes de memoria de corto-largo plazo (LSTM) para realizar tareas de clasificación y regresión en imágenes, series temporales y datos de texto. Puede crear arquitecturas de red tales como redes generativas antagónicas (GAN) y redes siamesas mediante diferenciación automática, bucles de entrenamiento personalizados y pesos compartidos. Con la app Deep Network Designer, puede diseñar, analizar y entrenar redes gráficamente. La app Experiment Manager ayuda a gestionar varios experimentos de Deep Learning, realizar un seguimiento de los parámetros de entrenamiento, analizar resultados y comparar código de diferentes experimentos. Puede visualizar la activación de capas y supervisar gráficamente el progreso del entrenamiento.

Puede importar redes y gráficos de capas desde TensorFlow™ 2, TensorFlow-Keras, PyTorch®, el formato de modelo ONNX™ (Open Neural Network Exchange) y Caffe. También puede exportar redes y gráficos de capas de Deep Learning Toolbox a TensorFlow 2 y el formato de modelo ONNX. La toolbox soporta la transferencia del aprendizaje con DarkNet-53, ResNet-50, NASNet, SqueezeNet y muchos otros modelos previamente entrenados.

Puede acelerar el entrenamiento en una estación de trabajo con una o varias GPU (con Parallel Computing Toolbox™) o ampliar el alcance a clusters y nubes, incluidas las instancias de GPU de NVIDIA® GPU Cloud y Amazon EC2® (con MATLAB Parallel Server™).
¿Qué es Deep Learning Toolbox?
Red de detección de objetos YOLO v2 con dos automóviles que circulan por una calle con líneas amarillas dobles y personas que cruzan un paso peatonal.

Aplicaciones de Deep Learning

Entrene modelos de Deep Learning para aplicaciones de clasificación, regresión y aprendizaje de características para conducción autónoma, procesamiento de señales y audio, comunicaciones inalámbricas, procesamiento de imágenes y mucho más.

Introducción a Deep Learning: ¿qué son las redes neuronales convolucionales? (4:44)

Documentación | Ejemplos

App Deep Network Designer.

Diseño de redes y gestión de modelos

Acelere el desarrollo de modelos de Deep Learning con apps low code. Cree, entrene, analice y depure una red con la app Deep Network Designer. Ajuste y compare varios modelos con la app Experiment Manager.

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

Documentación | Ejemplos

Ejemplos de otras redes previamente entrenadas en Deep Network Designer.

Modelos previamente entrenados

Acceda a los modelos más utilizados con una sola línea de código en MATLAB. Utilice PyTorch™ a través de ONNX y TensorFlow™ para importar cualquier modelo a MATLAB.

Deep Learning con MATLAB: transferencia del aprendizaje con redes neuronales en MATLAB (4:05)

Documentación | Ejemplos

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

Interpretabilidad

Visualice el progreso del entrenamiento y la activación de las características aprendidas en una red de Deep Learning. Utilice Grad-CAM, mapeo de obstrucciones y LIME para explicar los resultados de un modelo de Deep Learning.

Documentación | Ejemplos

Cuatro imágenes de un perro que muestran cómo efectuar tipos frecuentes de aumento de imágenes y cuadros delimitadores como parte de los flujos de trabajo de detección de objetos.

Preprocesamiento

Etiquete, procese y aumente los datos para entrenar una red. Automatice el etiquetado de datos con algoritmos integrados.

Documentación | Ejemplos

Dos gráficos utilizados para observar el progreso del entrenamiento: el primero consta de una curva azul ascendente que refleja la precisión, y el segundo consta de una curva naranja descendente que muestra la pérdida.

Aceleración del entrenamiento

Acelere el entrenamiento de Deep Learning con GPU, aceleración en la nube y cálculo distribuido.

Documentación | Ejemplos

App MATLAB Coder, con la opción de generación de código para Deep Learning habilitada, y la opción None marcada en la lista desplegable Target library (Librería de destino).

Generación de código

Genere automáticamente código CUDA® optimizado con GPU Coder™, y genere código C y C++ con MATLAB Coder™ para desplegar redes de Deep Learning en GPU NVIDIA y diversos procesadores. Realice prototipado de redes de Deep Learning e impleméntelas en FPGA y SoC con Deep Learning HDL Toolbox™.

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

Documentación | Ejemplos

Tres capturas de pantalla que muestran modelado de sensores virtuales con Deep Learning y una captura de pantalla con un gráfico de líneas donde se representan variables tales como truth, EKF, FNN de Deep Learning y LSTM de Deep Learning.

Simulación con Simulink

Simule redes de Deep Learning con componentes de control, procesamiento de señales y fusión de sensores para evaluar cómo un modelo de Deep Learning puede mejorar el rendimiento en el nivel de sistema.

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

Documentación | Ejemplos

App Deep Network Quantizer utilizada para reducir el tamaño del modelo, validarlo, y visualizar los resultados. Se muestran tres secciones: Net - Layer Graph (gráfico de capas de red), Calibration Statistics (estadísticas de calibración) y Validation Summary (resumen de validación).

Compresión de Deep Learning

Cuantice y recorte una red de Deep Learning para reducir el uso de memoria y aumentar el rendimiento de la inferencia. Analice y visualice el tradeoff entre un mayor rendimiento y la precisión de inferencia con la app Deep Network Quantizer.

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

Documentación | Ejemplos

Recursos del producto:

Documentación Ejemplos Vídeos Requisitos Notas de la versión Funciones Artículos técnicos Casos prácticos

Obtenga una versión de prueba gratuita

30 días de exploración a su alcance.

Descargue ahora

¿Listo para 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