Deep Learning Toolbox

Entwerfen, Trainieren, Analysieren und Simulieren von Deep-Learning-Netzen

Haben Sie noch Fragen? Kontaktieren Sie den Vertrieb.

Die Deep Learning Toolbox umfasst Funktionen, Apps und Simulink-Blöcke zum Entwerfen, Implementieren und Simulieren tiefer neuronaler Netze. Die Toolbox stellt ein Framework bereit, um eine Vielzahl von Netzen zu erstellen und zu verwenden, wie Convolutional Neural Networks (neuronale Faltungsnetze, CNNs) und Transformer. Sie können Netzprognosen visualisieren und interpretieren, Netzeigenschaften verifizieren und Netze durch Quantisierung, Projektion oder Pruning komprimieren.

Die Deep Network Designer-App ermöglicht das interaktive Entwerfen, Bearbeiten und Analysieren von Netzen, das Importieren vortrainierter Modelle und das Exportieren von Netzen in Simulink. Über die Toolbox können Sie mit anderen Deep-Learning-Frameworks interagieren. Sie können PyTorch^®-, TensorFlow™- und ONNX™-Modelle zu Inferenz-, Transfer-Learning-, Simulations- und Implementierungszwecken importieren. Außerdem lassen sich Modelle in TensorFlow und ONNX exportieren.

Sie können automatisch C/C++, CUDA^® und HDL Code für trainierte Netze generieren.

Leiterplattenfoto namens „Predicted Defects“ mit drei Anmerkungen namens „missing_hole“.

Deep Learning für Ingenieure

Erstellen und verwenden Sie erklärbare, fehlerresistente und skalierbare Deep-Learning-Modelle bei der automatischen Sichtprüfung, Modellierung mit reduzierter Ordnung, drahtlosen Kommunikation, Computer Vision und anderen Anwendungen.

Deep Learning für Ingenieure: Aufbau eines KI-Systems (3:40)

Dokumentation | Beispiele

Drei Screenshots zur Modellierung virtueller Sensoren mithilfe von Deep Learning und ein Screenshot eines Liniendiagramms der Variablen „truth“, „EKF“, „deep learning - FNN“ und „deep learning - LSTM“.

Deep Learning in Simulink

Verwenden Sie Deep Learning mit Simulink, um die Integration von Deep-Learning-Modellen in größere Systeme zu testen. Simulieren Sie auf MATLAB oder Python basierende Modelle, um Modellverhalten und Systemleistung abzuschätzen.

Integration eines TensorFlow-Modells in Simulink zur Simulation und Codegenerierung (5:47)

Dokumentation | Beispiele

Flussdiagramm, das zeigt, dass Modelle aus TensorFlow, ONNX und PyTorch importiert und Modelle in TensorFlow und ONNX exportiert werden können.

Integration in PyTorch und TensorFlow

Austausch von Deep-Learning-Modellen mit Python-basierten Deep-Learning-Frameworks. Importieren Sie PyTorch-, TensorFlow- und ONNX-Modelle, exportieren Sie Netze in TensorFlow und ONNX mit nur einer Zeile Code. Führen Sie Python-basierte Modelle gemeinsam in MATLAB und Simulink aus.

Interoperabilität zwischen Deep Learning Toolbox, TensorFlow™, PyTorch^® und ONNX™

Dokumentation | Beispiele

Diagramm mit der Generierung von MATLAB- und Simulink-Code zur Bereitstellung von Deep-Learning-Modellen und der Zielgeräte, auf denen der Code bereitgestellt werden soll.

Codegenerierung und -bereitstellung

Generieren Sie automatisch optimierten C/C++ Code (mit MATLAB Coder) und CUDA Code (mit GPU Coder) zur Bereitstellung auf CPUs und GPUs. Generieren Sie synthetisierbaren Verilog^® und VHDL^® Code (mit der Deep Learning HDL Toolbox) zur Bereitstellung auf FPGAs und SoCs.

Generieren von generischem C/C++ Code für Deep-Learning-Netze in Simulink (5:10)

Dokumentation | Beispiele

Vier Bilder derselben Straßenszene, die das Testbild, die semantische Segmentierung, die Grad-CAM der Straße und die Grad-CAM des Gehwegs darstellen.

Erklärbarkeit und Verifikation

Visualisieren Sie den Trainingsfortschritt und Aktivierungen tiefer neuronaler Netze. Verwenden Sie Grad-CAM, D-RISE und LIME, um Netzergebnisse zu erklären. Verifizieren von Robustheit und Zuverlässigkeit tiefer neuronaler Netze

Einführung in erklärbare KI (3:45)

Dokumentation | Beispiele

Auf der Startseite der Deep Network Designer-App befinden sich Optionen zum Importieren von vortrainierten Modellen, einschließlich Modellen aus PyTorch und TensorFlow, und von Bildnetzen, wie SqueezeNet, GoogLeNet und Res-Net-50.

Entwurf und Training von Netzen

Verwenden Sie Deep-Learning-Algorithmen, um CNNs, LSTMs, GANs und Transformer zu erstellen, oder führen Sie Transfer Learning mit vortrainierten Modellen durch. Bild-, Video- und Signaldaten lassen sich zum Netztraining automatisch kennzeichnen, verarbeiten und anreichern.

Einsatz von Transfer Learning | Deep Learning für Ingenieure, Teil 4 (16:18)

Dokumentation | Beispiele

Screenshot der Deep Network Designer-App mit einem Netz und Dutzenden von Schichten.

Low-Code-Apps

Beschleunigen Sie Entwurf, Analyse und Transfer Learning von Netzen für integrierte und Python-basierte Modelle mithilfe der Deep Network Designer-App. Optimieren und vergleichen Sie mehrere Modelle mithilfe der Experiment Manager-App.

Deep-Learning-Netze interaktiv erstellen, visualisieren und bearbeiten (3:54)

Dokumentation | Beispiele

Screenshot des Deep Network Quantizer mit drei abgetrennten Bereichen: ein Netzschichtdiagramm, eine Kalibrierungsstatistik und eine Validierungszusammenfassung.

Deep-Learning-Komprimierung

Komprimieren Sie Ihr Deep-Learning-Netz mit Quantisierung, Projektion oder Pruning, damit es weniger Arbeitsspeicher verbraucht, und steigern Sie die Inferenzleistung. Beurteilen Sie die Inferenzleistung und -genauigkeit mithilfe der Deep Network Quantizer-App.

Quantisierung eines Deep-Learning-Netzes in MATLAB (2:50)

Dokumentation | Beispiele

Zwei Graphen zum Trainingsfortschritt zeigen Genauigkeit und Verlust bei Training und Validierung. Die Genauigkeit hat einen Aufwärtsverlauf und der Verlust einen Abwärtsverlauf.

Hochskalierung des Deep Learning

Verbessern Sie die Trainingsgeschwindigkeit beim Deep Learning mithilfe von GPUs, Cloud-Beschleunigung und verteilten Systemen. Trainieren Sie mehrere Netze parallel und lassen Sie Deep-Learning-Berechnungen im Hintergrund ausführen.

Beschleunigen des Trainings tiefer neuronaler Netze

Dokumentation | Beispiele

Produktressourcen:

Dokumentation Beispiele Videos Technische Artikel Funktionen Anforderungen Versionshinweise

Mercedes-Benz simuliert Hardwaresensoren mit tiefen neuronalen Netzen

„Es war das erste Mal, dass wir Sensoren mit neuronalen Netzen in einer unserer Antriebs-ECUs simuliert haben. Ohne MATLAB und Simulink müssten wir umständlich und händisch programmieren, was äußerst langsam und fehleranfällig ist.“

Weitere Anwenderberichte ansehen