Deep Learning Toolbox
Diseñe, entrene y analice redes de Deep Learning
¿Tiene preguntas? Comuníquese con ventas.
¿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™).
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.
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.
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.
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.
Etiquete, procese y aumente los datos para entrenar una red. Automatice el etiquetado de datos con algoritmos integrados.
Acelere el entrenamiento de Deep Learning con GPU, aceleración en la nube y cálculo distribuido.
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™.
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.
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.
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.