Intelligenza artificiale con MATLAB e Python
Collabora con colleghi che lavorano con altri framework Deep Learning per addestrare e testare modelli PyTorch® o TensorFlow™ utilizzando la coesecuzione Python.
Utilizza i toolbox Signal Processing per pre-elaborare i segnali, generare set di dati ed estrarre caratteristiche per addestrare e testare i modelli Python.
Integra il tuo lavoro nei flussi di lavoro di progettazione basata su modelli. Per ulteriori informazioni, vedere Deep Learning con Simulink (Deep Learning Toolbox).
Dopo aver validato il progetto, importa e distribuisci il tuo sistema su diverse piattaforme possibili. Per ulteriori informazioni, vedere Interoperability Between Deep Learning Toolbox, TensorFlow, PyTorch, and ONNX (Deep Learning Toolbox) e Code Generation for PyTorch and LiteRT Models (MATLAB Coder).
Esercitati con modelli audio in tempo reale utilizzando I/O audio a bassa latenza. Se disponi di Audio Toolbox™, puoi anche distribuire i modelli come plugin audio per una maggiore portabilità e per l'utilizzo in una workstation audio digitale.
Informazioni complementari
Argomenti
- Python Coexecution
Coexecute Python models in MATLAB to implement AI signal processing workflows. (Da R2026a)
Esempi in primo piano
Use Signal Feature Extraction to Train PyTorch Fault Detection Model
Coexecute a PyTorch long short-term memory neural network in MATLAB to identify faulty bearing signals.
Signal Imputation in Signal Analyzer Using Time-Series Foundation Model
Coexecute a PyTorch time-series foundation model in Signal Analyzer to restore missing samples in signals.
Anomaly Detection in Signal Labeler Using Time-Series Foundation Model
Coexecute a PyTorch time-series foundation model in Signal Labeler to detect anomalies in signals.
Train PyTorch Speech Command Recognition Model
Learn how to combine MATLAB data processing and visualization capabilities with a Python deep learning framework.
