MATLAB für Deep Learning

Datenaufbereitung, Design, Simulation und Implementierung für tiefe neuronale Netze

Mit nur wenigen Zeilen MATLAB®-Code können Sie Deep-Learning-Modelle erstellen – und müssen dafür kein Experte sein. Erfahren Sie, wie MATLAB Ihnen helfen kann, mit Deep Learning zu arbeiten:

  • Erstellen, modifizieren und analysieren Sie Deep-Learning-Architekturen mithilfe von Apps und Visualisierungstools.
  • Vorverarbeitung von Daten und Automatisierung der Ground-Truth-Kennzeichnung von Bild-, Video- und Audiodaten mithilfe von Apps.
  • Beschleunigung von Algorithmen auf NVIDIA®-GPUs, in der Cloud und auf Rechenzentren ohne spezielle Programmierung.
  • Zusammenarbeit mit Kollegen unter Verwendung von Frameworks wie TensorFlow, PyTorch und MxNet.
  • Simulation und Training von dynamischem Systemverhalten mit Reinforcement Learning.
  • Generation von simulationsbasierten Schulungs- und Testdaten aus MATLAB- und Simulink®-Modellen von physikalischen Systemen.

Warum MATLAB für Deep Learning?

Interoperabilität

Es ist keine Entweder-oder-Wahl zwischen MATLAB und Python-basierten Frameworks. MATLAB unterstützt die Interoperabilität mit Open-Source Deep-Learning-Frameworks durch ONNX-Import- und -Exportfunktionen. Nutzen Sie MATLAB-Tools, wo es am wichtigsten ist – beim Zugriff auf Ressourcen sowie vordefinierte Funktionen und Apps, die in Python nicht verfügbar sind.

Verwenden Sie Labeling-Apps für Deep-Learning-Workflows wie die semantische Segmentierung.

Apps für die Vorverarbeitung

Schneller Einstieg in das Training von Netzen. Schnelle Vorverarbeitung von Datensätzen mit domänenspezifischen Apps für Audio-, Video- und Bilddaten. Visualisieren, prüfen und beheben Sie Probleme vor dem Trainieren mit der Deep Network Designer-App, um komplexe Netzarchitekturen zu erstellen oder vortrainierte Netze für das Transfer Learning zu modifizieren.

Multi-Plattform-Bereitstellung

Setzen Sie Deep-Learning-Modelle überall ein, einschließlich CUDA, C-Code, auf Unternehmenssystemen oder in der Cloud.

Wenn es auf die Leistung ankommt, können Sie Code generieren, der optimierte Bibliotheken von Intel® (MKL-DNN), NVIDIA (TensorRT, cuDNN) und ARM® (ARM Compute Library) nutzt, um einsatzbereite Modelle mit hoher Inferenzgeschwindigkeit zu erstellen.

Schneller Einstieg

Deep Learning Onramp

Einstieg in die Techniken des Deep Learning mit diesem kostenlosen, praktischen Tutorial.

Mehr erfahren über Ressourcen für den Einstieg

Sehen Sie sich eine Demo an, erkunden Sie die interaktiven Beispiele und nutzen Sie kostenlose Tutorials.

Kostenlose Testversion anfordern

Eine 30-tägige Erkundungstour auf Knopfdruck.

Haben Sie Fragen?

Sprechen Sie mit einem Deep-Learning-Experten.