Main Content

La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Deep Learning Toolbox

Progettazione, addestramento e analisi delle reti di Deep Learning

Il Deep Learning Toolbox™ offre un contesto per la progettazione e l’implementazione di reti neurali profonde con algoritmi, modelli preaddestrati e app. È possibile utilizzare reti neurali convoluzionali (ConvNets, CNN) e reti long short-term memory (LSTM) per eseguire attività di classificazione e regressione su dati di immagini, serie temporali e testi. Si possono costruire architetture di rete come reti generative avversarie (GAN) e reti siamesi utilizzando la differenziazione automatica, loop di addestramento e pesi condivisi. Con l’app Deep Network Designer è possibile progettare, analizzare e addestrare le reti a livello grafico. L’app Experiment Manager aiuta a gestire più esperimenti di Deep Learning in contemporanea, tenendo traccia dei parametri di addestramento, analizzando i risultati e confrontando il codice derivato dai diversi esperimenti. È possibile visualizzare le attivazioni dei livelli e monitorare graficamente i progressi dell’addestramento.

È possibile importare reti e grafici di livello da TensorFlow™ 2, TensorFlow-Keras e PyTorch®, dal formato di modello ONNX™ (Open Neural Network Exchange) e da Caffe. È inoltre possibile esportare reti e grafici di livello Deep Learning Toolbox su TensorFlow 2 e nel formato di modello ONNX. Il toolbox supporta il transfer learning con DarkNet-53, ResNet-50, NASNet, SqueezeNet e molti altri modelli preaddestrati.

È possibile velocizzare l’addestramento su una workstation GPU singola o multipla (con Parallel Computing Toolbox™) oppure scalare su cluster e cloud, tra cui istanze di NVIDIA® GPU Cloud e Amazon EC2® GPU (con MATLAB® Parallel Server™).

Come iniziare a utilizzare Deep Learning Toolbox

Impara le nozioni di base di Deep Learning Toolbox

Deep Learning con immagini

Utilizzare reti preaddestrate per apprendere rapidamente nuove attività o addestrare reti neurali convoluzionali da zero

Deep Learning con dati di serie temporali e dati di sequenza

Creare e addestrare reti per attività di classificazione, regressione e previsione delle serie temporali

Sincronizzazione e visualizzazione del Deep Learning

Costruire e addestrare reti in modo interattivo, gestire esperimenti, tracciare i progressi dell'addestramento, valutare la precisione, spiegare le previsioni, sincronizzare le opzioni di addestramento e visualizzare le feature apprese da una rete

Deep learning in parallelo e nel cloud

Ampliare il Deep Learning con più GPU in locale o nel cloud e addestrare più reti in modo interattivo o in lavori batch

Applicazioni di Deep Learning

Estendere i workflow di Deep Learning con la computer vision, l’elaborazione delle immagini, la guida automatizzata, i segnali, l'audio, l'analisi del testo e la finanza computazionale

Importazione, esportazione e personalizzazione del Deep Learning

Importare, esportare e personalizzare reti di Deep Learning e personalizzare i livelli, i loop di addestramento e le funzioni di perdita

Pre-elaborazione dei dati di Deep Learning

Gestire e pre-elaborare i dati per il Deep Learning

Generazione di codice di Deep Learning

Generare codice C/C++, CUDA® o HDL e implementare le reti di Deep Learning

Approssimazione, clustering e controllo delle funzioni

Eseguire la regressione, la classificazione, il clustering e modellare sistemi dinamici non lineari utilizzando reti neurali superficiali