Deep Learning

 

MATLAB für Deep Learning

Entwerfen, erstellen und visualisieren Sie neuronale Faltungsnetzwerke

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.

  • Sie können mühelos auf die neuesten Modelle zugreifen, wie GoogLeNet, VGG-16, VGG-19, AlexNet, ResNet-50, ResNet-101 und Inception-v3.
  • Sie können Algorithmen auf NVIDIA®-GPUs, in der Cloud und auf Rechenzentrumsressourcen beschleunigen, ganz ohne spezielle Programmierung.
  • Sie können komplexe tiefe neuronale Netzwerkarchitekturen mithilfe von MATLAB-Apps und Visualisierungstools erstellen, ändern und analysieren. 
  • Sie können die Ground-Truth-Kennzeichnung von Bild-, Video- und Audiodaten mithilfe von Apps automatisieren.
  • Sie können mit Modellen aus Caffe und TensorFlow-Keras arbeiten.
  • MATLAB unterstützt ONNX™, sodass Sie mithilfe von Frameworks wie PyTorch und MxNet mit Fachkollegen zusammenarbeiten können.

Deep Learning for:

Warum MATLAB für Deep Learning?

Interoperabilität

Es geht nicht um eine Entweder-oder-Wahl zwischen MATLAB und Python-basierten Frameworks. MATLAB unterstützt die Interoperabilität mit Open-Source-Deep-Learning-Frameworks mithilfe von ONNX-Import- und -Exportfähigkeiten. Nutzen Sie MATLAB-Tools, wo es am sinnvollsten ist – greifen Sie auf Funktionalität sowie auf vordefinierte Funktionen und Apps zu, die nicht in Python verfügbar sind.

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

Apps für die Vorverarbeitung

Beginnen Sie schnell mit dem Trainieren von Netzen. Nutzen Sie für die schnelle Vorverarbeitung von Datenmengen domänenspezifische Apps für Audio-, Video- und Bilddaten. Visualisieren, prüfen und beheben Sie Probleme vor dem Trainieren von Netzen mithilfe der Deep Network Designer-App, mit der Anwender komplexe Netzarchitekturen erstellen oder komplexe vortrainierte Netze für das Transfer Learning verändern können.

Multi-Plattform-Bereitstellung

Stellen Sie Deep-Learning-Modelle überall bereit,etwa als CUDA- oder C-Code, auf Unternehmenssystemen oder in der Cloud. Wenn die Leistung zählt, können Sie Code generieren, der optimierte Bibliotheken von Intel® (MKL-DNN), NVIDIA (TensorRT, cuDNN) und ARM® (ARM Compute Library) nutzt, um bereitzustellende Modelle mit hochleistungsfähiger Inferenzgeschwindigkeit zu erstellen.

Jetzt schnell loslegen

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.