Deep Learning Toolbox
Progettazione, addestramento, analisi e simulazione di reti di Deep Learning
Hai domande? Contatta l’ufficio commerciale.
Deep Learning Toolbox fornisce funzioni, applicazioni e blocchi Simulink per la progettazione, l'addestramento e la simulazione di reti neurali profonde. È possibile visualizzare e interpretare le previsioni, verificare le proprietà delle reti e comprimerle tramite pruning, proiezione o quantizzazione. Inoltre è possibile generare codice C/C++, CUDA® e HDL per reti addestrate (con MATLAB Coder, GPU Coder o Deep Learning HDL Toolbox).
Il toolbox fornisce interfacce per altri framework di IA, consentendo di eseguire l’inferenza in MATLAB e Simulink e di importare in MATLAB modelli da PyTorch®, TensorFlow®, Keras™ e ONNX®.
L’app Deep Network Designer consente di progettare, importare, modificare e analizzare reti. L’app Time Series Modeler consente di addestrare e confrontare modelli per la predizione di serie storiche senza scrivere codice.
Progettazione di sistemi ingegneristici
Crea e utilizza modelli di Deep Learning esplicabili, robusti e scalabili per sensori virtuali, l’ispezione visiva automatizzata, la modellazione di ordine ridotto, le comunicazioni wireless, la visione artificiale e altre applicazioni.
Sviluppo con app low-code
Visualizza, crea, addestra e confronta modelli di IA per dati di serie storiche utilizzando l’app Time Series Modeler. Accelera la progettazione e l’analisi delle reti per modelli integrati e basati su Python utilizzando l’app Deep Network Designer.
Integrazione di modelli in Simulink
Utilizza il Deep Learning con Simulink per testare l’integrazione di modelli di Deep Learning in sistemi più grandi. Simula modelli basati su MATLAB o Python per valutare il comportamento dei modelli e le prestazioni dei sistemi.
Interoperabilità con PyTorch e ONNX
Scambia modelli di Deep Learning con framework di Deep Learning basati su Python. Importa modelli PyTorch, TensorFlow e ONNX ed esporta reti in TensorFlow e ONNX. Co-esegui i modelli basati su Python in MATLAB e Simulink.
Verifica e spiegazione del comportamento del modello
Verifica la robustezza e l’affidabilità dei modelli di Deep Learning MATLAB, PyTorch e ONNX utilizzando metodi formali e il rilevamento di dati Out-of-Distribution con AI Verification Library. Visualizza l’avanzamento dell’addestramento e le attivazioni e spiega le previsioni della rete.
Compressione di reti neurali
Comprimi le reti di Deep Learning tramite pruning, proiezione o quantizzazione per ridurre l’occupazione di memoria e migliorare le prestazioni di inferenza. Valuta le prestazioni di inferenza e la precisione usando l’app Deep Network Quantizer.
Generazione di codice per la distribuzione
Genera automaticamente codice C/C++ ottimizzato (con MATLAB Coder) e codice CUDA (con GPU Coder) per la distribuzione su CPU e GPU. Genera codice Verilog® e VHDL® sintetizzabile (con Deep Learning HDL Toolbox) per FPGA e SoC.
Risorse sui prodotti:
“Era la prima volta che simulavamo dei sensori con reti neurali su una delle nostre ECU di un motopropulsore. Senza MATLAB e Simulink, avremmo dovuto procedere con una noiosa codifica manuale, un processo lento e soggetto a errori.”
Domande frequenti su Deep Learning Toolbox
Deep Learning Toolbox fornisce funzioni, applicazioni e blocchi Simulink per la progettazione, l’implementazione e la simulazione di reti neurali profonde come CNN, LSTM e transformer.
È possibile creare reti neurali convoluzionali (CNN), LSTM, GAN e transformer, oppure eseguire il transfer learning con modelli pre-addestrati.
Sì, puoi importare modelli PyTorch, TensorFlow e ONNX per l'inferenza, il transfer learning, la simulazione e il deployment, nonché esportare le reti in formato TensorFlow e ONNX con una sola riga di codice.
L'app Deep Network Designer consente di progettare, modificare e analizzare reti in modo interattivo, importare modelli pre-addestrati ed esportare reti in Simulink.
L’app Time Series Modeler consente di visualizzare, preelaborare e caricare dati di serie storiche, progettare, modificare e addestrare interattivamente reti neurali ed esportare le reti in Simulink per problemi di regressione e previsione di serie storiche, come la modellazione di sensori virtuali.
Sì, il toolbox supporta l'accelerazione GPU per velocizzare l'addestramento e i calcoli di Deep Learning.
Sì, è possibile generare automaticamente codice C/C++, CUDA e HDL ottimizzato per reti neurali addestrate, da distribuire su CPU, GPU, MCU e FPGA.
È possibile visualizzare l’avanzamento dell’addestramento e le attivazioni, utilizzare Grad-CAM, D-RISE e LIME per spiegare i risultati delle reti e verificare la robustezza e l’affidabilità delle reti neurali profonde con AI Verification Library for Deep Learning Toolbox.
Sì, è possibile analizzare le reti per la compressione utilizzando l'app Deep Network Designer e quindi comprimerle mediante quantizzazione, proiezione o pruning per ridurre il consumo di memoria e aumentare le prestazioni dell'inferenza utilizzando l'app Deep Network Quantizer.
Sì, è possibile integrare modelli di Deep Learning in Simulink per testare l'integrazione con sistemi più complessi e simulare modelli basati su MATLAB o Python.
Prova Deep Learning Toolbox gratis
Scopri i nostri prodotti.
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.
