Deep Learning Toolbox
Diseñe, entrene, analice y simule redes de Deep Learning
¿Tiene preguntas? Comuníquese con ventas.
¿Tiene preguntas? Comuníquese con ventas.
Deep Learning Toolbox ofrece funciones, apps y bloques de Simulink para diseñar, implementar y simular redes neuronales profundas. Esta toolbox proporciona un marco para crear y utilizar muchos tipos de redes, tales como redes neuronales convolucionales (CNN) y transformadores. Puede visualizar e interpretar predicciones de redes, verificar propiedades de redes y comprimir redes con cuantización, proyección o poda.
Con la app Deep Network Designer, puede diseñar, editar y analizar redes de manera interactiva, importar modelos previamente entrenados, y exportar redes a Simulink. La toolbox permite interoperar con otros marcos de Deep Learning. Puede importar modelos de PyTorch®, TensorFlow™ y ONNX™ para inferencia, transferencia del aprendizaje, simulación y despliegue. También puede exportar modelos a TensorFlow y ONNX.
Puede generar automáticamente código C/C++, CUDA® y HDL para redes entrenadas.
Cree y use modelos de Deep Learning explicables, sólidos y escalables para inspección visual automatizada, modelado de orden reducido, telecomunicaciones, visión artificial y otras aplicaciones.
Utilice Deep Learning con Simulink para probar la integración de modelos de Deep Learning en sistemas de mayor tamaño. Simule modelos basados en MATLAB o Python para evaluar su comportamiento y el rendimiento del sistema.
Intercambie modelos de Deep Learning con marcos de Deep Learning basados en Python. Importe modelos de PyTorch, TensorFlow y ONNX, y exporte redes a TensorFlow y ONNX con una sola línea de código. Coejecute modelos basados en Python en MATLAB y Simulink.
Genere automáticamente código C/C++ optimizado (con MATLAB Coder) y código CUDA (con GPU Coder) para desplegarlo en CPU y GPU. Genere código Verilog® y VHDL® sintetizable (con Deep Learning HDL Toolbox) para desplegarlo en FPGA y SoC.
Visualice el progreso del entrenamiento y las activaciones de redes neuronales profundas. Utilice Grad-CAM, D-RISE y LIME para explicar los resultados de redes. Verifique la solidez y fiabilidad de redes neuronales profundas.
Utilice algoritmos de Deep Learning para crear CNN, LSTM, GAN y transformadores, o realice transferencia del aprendizaje con modelos previamente entrenados. Etiquete, procese y aumente automáticamente datos de imágenes, vídeos y señales para entrenar redes.
Acelere el diseño, análisis y transferencia del aprendizaje de redes para modelos integrados y basados en Python con la app Deep Network Designer. Ajuste y compare múltiples modelos con la app Experiment Manager.
Comprima una red de Deep Learning con cuantización, proyección o poda para reducir su superficie de memoria y aumentar el rendimiento de la inferencia. Evalúe el rendimiento y precisión de la inferencia con la app Deep Network Quantizer.
Acelere el entrenamiento de Deep Learning con GPU, aceleración en la nube y cálculo distribuido. Entrene múltiples redes en paralelo y descargue cálculos de Deep Learning para que se ejecuten en segundo plano.
"Esta era la primera vez que simulamos sensores con redes neuronales en una de nuestras UCE del sistema de propulsión. Sin MATLAB y Simulink, hubiéramos tenido que emplear un tedioso proceso de programación manual muy lento y propenso a errores".
Katja Deuschl, desarrolladora de IA en Mercedes-Benz
30 días de exploración a su alcance.
Obtenga información sobre precios y explore productos relacionados.
Es posible que su centro educativo ya ofrezca acceso a MATLAB, Simulink y otros productos complementarios mediante una infraestructura Campus-Wide License.