深度学习工具箱

 

深度学习工具箱

设计、培训、分析和模拟深度学习网络

工程师深度学习

为自动化视觉检查、简化建模、无线通信、计算机视觉和其他应用程序创建并使用可解释、健壮和可扩展的深度学习模型。

Simulink中的深度学习

使用Simulink进行深度学习,测试深度学习模型与大型系统的集成。基于MATLAB或Python仿真模型,以评估模型行为和系统性能。

与PyTorch和TensorFlow集成

使用基于Python的深度学习框架交换深度学习模型。导入PyTorch、TensorFlow和ONNX模型,并使用单行代码将网络导出到TensorFlow和ONNX。在MATLAB和Simulink中协同执行基于Python的模型。

文档 | 示例

代码生成和部署

自动生成优化的C/C++代码(使用MATLAB编码器)和CUDA代码(带GPU编码器)用于部署到CPU和GPU。生成可合成的Verilog®和VHDL®代码(带有深度学习HDL工具箱)部署到FPGA和SoC。

文档 | 示例

解释性和验证

可视化深层神经网络的训练过程和激活。使用Grad-CAM、D-RISE和LIME解释网络结果。验证深度神经网络的鲁棒性和可靠性。

文档 | 示例

网络设计与培训

使用深度学习算法创建CNN、LSTM、GAN和变压器,或使用预处理模型。自动标记、处理和增强图像、视频和信号数据,以用于网络培训。

低代码应用程序

使用Deep network Designer应用程序,加快内置和基于Python的模型的网络设计、分析和传输学习。使用实验管理器应用程序调整和比较多个模型。

深度学习压缩

通过量化、投影或修剪来压缩深度学习网络,以减少其内存占用并提高推理性能。使用深度网络量化器应用程序评估推理性能和准确性。

扩大深度学习

使用GPU、云加速和分布式计算加快深度学习培训。并行训练多个网络并卸载深层学习计算以在后台运行。

“这是我们第一次在动力总成ECU上用神经网络模拟传感器。如果没有MATLAB和Simulink,我们将不得不使用冗长的手动编码过程,该过程非常缓慢且容易出错。”

Mercedes-Benz的AI开发人员Katja Deuschl

获得免费试用

30天的探索触手可及。


准备好购买了吗?

获取定价信息并探索相关产品。

你是一个学生吗?

您的学校可能已经通过校园许可证提供了对MATLAB、Simulink和附加产品的访问。