MATLAB para deep learning
Diseño, creación y visualización de redes neuronales convolucionales
Basta con unas pocas líneas de código de MATLAB® para crear modelos de deep learning sin necesidad de ser un experto. Averigüe cómo MATLAB puede ayudarle a realizar tareas de deep learning.
- Preparación, diseño, simulación e implementación de datos para redes neuronales profundas.
- Cree, modifique y analice arquitecturas de deep learning mediante apps y herramientas de visualización.
- Preprocese los datos y automatice el etiquetado de ground-truth de datos de imagen, vídeo y audio mediante apps.
- Acelere algoritmos en GPUs NVIDIA®, la nube y recursos de centros de datos sin necesidad de programación especializada.
- Colabore con colegas mediante marcos de trabajo tales como TensorFlow, PyTorch y MxNet.
- Simule y entrene el comportamiento de sistemas dinámicos gracias al aprendizaje por refuerzo.
- Genere datos de entrenamiento y datos de pruebas basados en simulaciones a partir de modelos de MATLAB y Simulink® de sistemas físicos.
Deep Learning for:
¿Por qué usar MATLAB para el deep learning?
Interoperabilidad
No es que haya que elegir obligatoriamente entre marcos basados en MATLAB y en Python. MATLAB admite interoperabilidad con marcos de deep learning de código abierto gracias a capacidades de importación y exportación de ONNX. Utilice herramientas de MATLAB donde más importe: accediendo a capacidades y a apps y funciones preintegradas no disponibles en Python.
Use labeling apps for deep learning workflows like semantic segmentation.
Apps para el preprocesamiento
Entrene redes con mayor rapidez. Preprocese conjuntos de datos con mayor rapidez mediante apps específicas de dominio para datos de audio, vídeo e imagen. Visualice, compruebe y solucione problemas antes del entrenamiento mediante la app Deep Network Designer a fin de crear complejas arquitecturas de red o modificar redes previamente entrenadas para transferencia del aprendizaje.
Despliegue multiplataforma
Despliegue modelos de deep learning en cualquier lugar: CUDA, código C, sistemas empresariales o el cloud. Cuando el rendimiento importa, puede generar código que aproveche bibliotecas optimizadas de Intel® (MKL-DNN), NVIDIA (TensorRT, cuDNN) y ARM® (ARM Compute Library) para crear modelos desplegables con velocidad de inferencia de alto rendimiento.
Cómo empezar rápido
Vea una demostración, explore ejemplos interactivos y acceda a tutoriales gratuitos.
Topics for Deep Learning
Consiga una prueba gratuita
30 días de exploración a su alcance.
¿Tiene preguntas?
Hable con un experto en deep learning.
