Deep Learning

 

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.

  • Acceda fácilmente a los modelos más recientes, incluidos GoogLeNet, VGG-16, VGG-19, AlexNet, ResNet-50, ResNet-101 e Inception-v3.
  • Acelere algoritmos en GPUs NVIDIA®, la nube y recursos de centros de datos sin necesidad de programación especializada.
  • Cree, modifique y analice arquitecturas de redes neuronales profundas y complejas mediante herramientas de visualización y apps de MATLAB. 
  • Automatice el etiquetado de ground-truth de datos de imagen, vídeo y audio mediante apps.
  • Trabajo con modelos de Caffe y TensorFlow-Keras.
  • MATLAB admite ONNX™, de forma que podrá colaborar con compañeros mediante marcos como PyTorch y MxNet.

¿Por qué usar MATLAB para el deep learning?

Interoperabilidad

No es necesario elegir obligatoriamente entre marcos basados en MATLAB y en Python. MATLAB admite la interoperabilidad con marcos de deep learning de código abierto gracias a las capacidades de importación y exportación de ONNX. Utilice las herramientas de MATLAB cuando sea necesario: para acceder a capacidades, apps y funciones prediseñadas no disponibles en Python.

Utilice apps de etiquetado para flujos de trabajo de deep learning, como la segmentación semántica. 

Apps de preprocesamiento

Entrene redes con mayor rapidez. Preprocese conjuntos de datos de forma rápida mediante apps específicas del 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 arquitecturas de red complejas o modificar redes previamente entrenadas para transferencia de aprendizaje.

Implementación multiplataforma

Implemente modelos de deep learning en cualquier lugar, incluidos CUDA, código C, sistemas empresariales o la nube. Cuando el rendimiento es importante, es posible generar código que emplea librerías optimizadas de Intel® (MKL-DNN), NVIDIA (TensorRT, cuDNN) y ARM® (ARM Compute Library) para crear modelos implementables con velocidad de inferencia de alto rendimiento.

Get Started Fast

Deep Learning Onramp

Get started with deep learning techniques in this free, hands-on tutorial.

Explore Getting Started Resources

Watch a demonstration, explore interactive examples, and access free tutorials.

Cómo empezar rápido

Vea una demostración, explore ejemplos interactivos y acceda a tutoriales gratuitos.

Consiga una prueba gratuita

Treinta días de exploración a su alcance.

¿Tiene preguntas?

Hable con un experto en deep learning.