Deep Learning Toolbox

重要更新

 

Deep Learning Toolbox

设计、训练、分析和仿真深度学习网络

获取免费试用版
查看定价

有疑问吗？请联系销售人员。

Deep Learning Toolbox 提供用于设计、实现和仿真深度神经网络的函数、App 和 Simulink 模块。该工具箱提供了一个框架来创建和使用多种类型的网络，如卷积神经网络 (CNN) 和变换器。您可以可视化和解释网络预测、验证网络属性以及通过量化、投影或剪枝来压缩网络。

借助深度网络设计器，您可以通过交互方式设计、编辑和分析网络，导入预训练模型并将网络导出到 Simulink。该工具箱可用于与其他深度学习框架进行互操作。您可以导入 PyTorch®、TensorFlow™ 和 ONNX™ 模型进行推断、迁移学习、仿真和部署。您还可以将模型导出到 TensorFlow 和 ONNX。

您可以为经过训练的网络自动生成 C/C++、CUDA® 和 HDL 代码。
什么是 Deep Learning Toolbox？
标题为“预测的缺陷”的 PCB 照片，具有三个标注为“缺失孔”的注释

面向工程师的深度学习

创建和使用可解释、可扩展的稳健深度学习模型，用于自动化视觉检查、降阶建模、无线通信、计算机视觉和其他应用。

面向工程师的深度学习：构建 AI 系统 (3:40)

文档 | 示例

三个显示使用深度学习进行虚拟传感器建模的截图，一个显示使用线图绘制变量（truth、EKF、deep learning FNN 和 deep learning LSTM）的屏幕截图。

Simulink 中的深度学习

使用深度学习和 Simulink 来测试深度学习模型与更大系统的集成。基于 MATLAB 或 Python 仿真模型，以评估模型行为和系统性能。

将 TensorFlow 模型集成到 Simulink 中以进行仿真和代码生成 (5:47)

文档 | 示例

流程图：从 TensorFlow、ONNX 和 PyTorch 导入模型，以及将模型导出到 TensorFlow 和 ONNX。

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，并仅用一行代码就可将网络导出到 TensorFlow 和 ONNX。在 MATLAB 和 Simulink 中协作执行基于 Python 的模型。

Deep Learning Toolbox、TensorFlow、PyTorch 和 ONNX 之间的互操作性

文档 | 示例

图：用于部署深度学习模型的 MATLAB 和 Simulink 代码生成，以及支持部署的目标设备。

代码生成和部署

自动生成优化的 C/C++ 代码（使用 MATLAB Coder）和 CUDA 代码（使用 GPU Coder）以部署到 CPU 和 GPU。生成可综合的 Verilog® 和 VHDL® 代码（使用 Deep Learning HDL Toolbox）以部署到 FPGA 和 SoC。

在 Simulink 中为深度学习网络生成泛型 C/C++ 代码 (5:10)

文档 | 示例

同一道路场景的四个图像，分别表示了测试图像、语义分割、道路 Grad-CAM 和路面 Grad-CAM。

可解释性和验证

可视化深度神经网络的训练进度和激活。使用 Grad-CAM、D-RISE 和 LIME 解释网络结果。验证深度神经网络的稳健性和可靠性。

什么是可解释人工智能？ (3:45)

文档 | 示例

深度网络设计器的起始页显示用于导入预训练模型（包括 PyTorch 和 TensorFlow 提供的模型）以及图像网络（包括 SqueezeNet、GoogLeNet 和 Res-Net-50）的选项。

网络设计和训练

使用深度学习算法创建 CNN、LSTM、GAN 和变换器，或使用预训练模型执行迁移学习。自动标注、处理和增强图像、视频和信号数据以用于网络训练。

使用迁移学习 | 面向工程师的深度学习，第 4 部分 (16:18)

文档 | 示例

深度网络设计器截图：描绘具有数十层的网络。

低代码 App

使用深度网络设计器加速内置模型和基于 Python 的模型的网络设计、分析和迁移学习。使用试验管理器调节和比较多个模型。

以交互方式构建、可视化和编辑深度学习网络 (3:54)

文档 | 示例

深度网络量化器截图：显示三个单独的部分：网络层图、标定统计量和验证摘要。

深度学习压缩

通过量化、投影或剪枝来压缩深度学习网络，以减少其内存占用并提高推断性能。使用深度网络量化器评估推断性能和准确度。

量化 MATLAB 中的深度学习网络 (2:50)

文档 | 示例

两幅训练进度图显示训练和验证的准确度与损失。准确度呈现上升轨迹，损失呈现下降轨迹。

扩展深度学习

使用 GPU、云加速和分布式计算加速深度学习训练。并行训练多个网络，并将深度学习计算工作负载转移到后台运行。

加速深度神经网络训练

文档 | 示例

产品资源:

文档 示例 视频 技术文章 函数 要求 发行说明
梅赛德斯-奔驰汽车公司用深度神经网络仿真硬件传感器

​“这是我们第一次在动力总成系统 ECU 上使用神经网络仿真传感器。如果没有 MATLAB 和 Simulink，我们将不得不使用手动编码过程，而这个过程会非常繁琐、缓慢且容易出错。”

Katja Deuschl，梅赛德斯-奔驰汽车公司的 AI 开发人员
查看更多客户案例

获取免费试用版

30 天探索触手可及。

现在开始

准备购买？

获取报价并了解相关产品。

查看定价 联系销售人员

您是学生吗？

您的学校可能已拥有 Campus-Wide License 并允许您直接使用 MATLAB、Simulink 和其他附加产品。

获取 MATLAB