Deep Learning Toolbox
Deep Learning Toolbox™ fornisce un framework per la progettazione e l’implementazione di reti neurali profonde con algoritmi, modelli pre-addestrati e app. È possibile utilizzare reti neurali convoluzionali (ConvNet, CNN) e reti Long Short-Term Memory (LSTM) per eseguire la classificazione e la regressione su immagini, serie storiche e dati testuali. È possibile costruire architetture di rete come reti generative avversarie (GAN) e reti siamesi utilizzando la differenziazione automatica, cicli di addestramento personalizzati e pesi condivisi. Con l’app Deep Network Designer è possibile progettare, analizzare e addestrare reti in forma grafica. L’app Experiment Manager aiuta a gestire più esperimenti di Deep Learning, a tenere traccia dei parametri di addestramento, ad analizzare i risultati e a confrontare il codice di diversi esperimenti. È inoltre possibile visualizzare le attivazioni dei layer e monitorare graficamente l’avanzamento dell’addestramento.
È possibile importare reti e grafici dei layer da TensorFlow™ 2, TensorFlow-Keras, PyTorch®, il formato del modello ONNX™ (Open Neural Network Exchange) e Caffe. È inoltre possibile esportare reti e grafici dei layer da Deep Learning Toolbox in TensorFlow 2 e nel formato del modello ONNX. Il toolbox supporta il transfer learning con DarkNet-53, ResNet-50, NASNet, SqueezeNet e molti altri modelli pre-addestrati.
È possibile velocizzare l’addestramento su workstation con una o più GPU (con Parallel Computing Toolbox™), oppure scalare su cluster e cloud, tra cui istanze di GPU NVIDIA® GPU Cloud e Amazon EC2® (con MATLAB Parallel Server™).
Applicazioni di Deep Learning
Addestra modelli di Deep Learning per applicazioni di classificazione, regressione e apprendimento delle feature per guida autonoma, elaborazione di segnali e audio, comunicazioni wireless, elaborazione di immagini e altro ancora.
Progettazione di reti e gestione di modelli
Accelera lo sviluppo dei modelli di Deep Learning utilizzando app low-code. Crea, addestra, analizza ed esegui il debug di una rete con l’app Deep Network Designer. Ottimizza e confronta più modelli con l’app Experiment Manager.
Modelli pre-addestrati
Accedi ai modelli più diffusi con una sola riga di codice in MATLAB. Usa PyTorch™ tramite ONNX e TensorFlow™ per importare qualsiasi modello in MATLAB.
Spiegabilità
Visualizza i progressi dell’addestramento e le attivazioni delle feature acquisite in una rete di Deep Learning. Usa Grad-CAM, Occlusion Mapping e LIME per spiegare i risultati del modello di Deep Learning.
Pre-elaborazione
Etichetta, elabora e incrementa i dati per l’addestramento delle reti. Automatizza l’etichettatura dei dati con algoritmi integrati.
Accelerazione dell’addestramento
Accelera l’addestramento sul Deep Learning utilizzando GPU, accelerazione cloud e calcolo distribuito.
Generazione di codice
Genera automaticamente codice CUDA® ottimizzato con GPU Coder™ e genera codice C e C++ con MATLAB Coder™ per distribuire reti di Deep Learning su GPU NVIDIA e vari processori. Prototipa e implementa reti di Deep Learning su FPGA e SoC con Deep Learning HDL Toolbox™.
Simulazione con Simulink
Simula reti di Deep Learning con componenti di controllo, elaborazione di segnali e fusione di sensori per valutare l’impatto del tuo modello di Deep Learning sulle prestazioni a livello di sistema.
Compressione mediante Deep Learning
Esegui la quantizzazione e il pruning della tua rete di Deep Learning per ridurre l’uso della memoria e aumentare le prestazioni di inferenza. Analizza e visualizza il tradeoff tra prestazioni aumentate e precisione di inferenza usando l’app Deep Network Quantizer.
Risorse sui prodotti:
Richiedi una versione di prova gratuita
30 giorni di prova a tua disposizione.
Pronto per acquistare?
Richiedi una quotazione e scopri i prodotti correlati.
Sei uno studente?
È possibile che la tua scuola già fornisca accesso a MATLAB, Simulink e ad altri prodotti complementari mediante una Campus-Wide License.