Deep Learning Toolbox
Concevoir, entraîner et analyser des réseaux de Deep Learning
Vous avez des questions ? Contactez l’équipe commerciale.
Vous avez des questions ? Contactez l’équipe commerciale.
Deep Learning Toolbox™ offre un environnement permettant de concevoir et d'implémenter des réseaux de neurones profonds avec des algorithmes, des modèles pré-entraînés et des applications. Vous pouvez utiliser des réseaux de neurones à convolution (« ConvNets » ou CNN) et des réseaux LSTM (Long Short-Term Memory) pour effectuer des régressions et des classifications sur des données textuelles, des images et des séries temporelles. Vous pouvez créer des architectures de réseau comme des réseaux antagonistes génératifs (GAN) et des réseaux siamois en utilisant la différentiation automatique, des boucles d'apprentissage personnalisées et des pondérations partagées. Avec l'application Deep Network Designer, vous pouvez concevoir, analyser et entraîner des réseaux via une interface graphique. L'application Experiment Manager vous permet de gérer plusieurs expériences de Deep Learning, d'assurer le suivi des paramètres d'apprentissage, d'analyser les résultats et de comparer le code de plusieurs expériences. Vous pouvez visualiser les activations de couches et contrôler la progression de l'apprentissage sous forme graphique.
Vous pouvez importer des réseaux et des graphes de couches depuis TensorFlow™ 2, TensorFlow-Keras, PyTorch®, Caffe et le format de modèle ONNX™ (Open Neural Network Exchange). Vous pouvez également exporter des réseaux et des graphes de couches de Deep Learning Toolbox vers TensorFlow 2 et le format de modèle ONNX. La toolbox supporte l'apprentissage par transfert avec de nombreux modèles pré-entraînés, parmi lesquels DarkNet-53, ResNet-50, NASNet et SqueezeNet.
Vous pouvez accélérer le processus d'apprentissage sur un poste de travail à un ou plusieurs GPU (grâce à Parallel Computing Toolbox™), ou étendre votre utilisation à des clusters et des clouds, tels que les instances GPU Amazon EC2® et NVIDIA® GPU Cloud (avec MATLAB Parallel Server™).
Entraînez des modèles de Deep Learning pour des applications de classification, de régression, et d'apprentissage de caractéristiques dans les domaines de la conduite autonome, du traitement du signal et de l'audio, des télécommunications, du traitement d'images, et bien plus encore.
Accélérez le développement de modèles de Deep Learning avec des applications low-code. Créez, entraînez, analysez et débuggez un réseau avec l'application Deep Network Designer. Ajustez et comparez plusieurs modèles avec l'application Experiment Manager.
Accédez à des modèles courants avec une seule ligne de code dans MATLAB. Utilisez PyTorch™ via ONNX et TensorFlow™ pour importer n'importe quel modèle dans MATLAB.
Visualisez la progression de l'apprentissage et les activations des caractéristiques apprises dans un réseau de Deep Learning. Utilisez la méthode Grad-CAM, la sensibilité à l'occlusion et la méthode de LIME pour expliquer les résultats d'un modèle de Deep Learning.
Labélisez, traitez et augmentez les données pour l'apprentissage du réseau. Automatisez la labellisation des données avec des algorithmes prédéfinis.
Accélérer l'apprentissage du Deep Learning en utilisant des GPU, l'accélération cloud et le calcul distribué.
Générez automatiquement du code CUDA® optimisé avec GPU Coder™, et générez du code C et C++ avec MATLAB Coder™ afin de déployer des réseaux de Deep Learning sur les GPU NVIDIA et différents processeurs. Prototypez et implémentez des réseaux de Deep Learning sur des FPGA et des SoC avec Deep Learning HDL Toolbox™.
Simulez des réseaux de Deep Learning avec les composants de contrôle, de traitement du signal et de fusion de capteurs pour évaluer l'impact de votre modèle Deep Learning sur les performances du système.
Quantifiez et élaguez votre réseau de Deep Learning pour réduire l'utilisation de la mémoire et améliorer les performances des inférences. Analysez et visualisez les compromis entre l'amélioration des performances et la précision des inférences avec l'application Deep Network Quantizer.
Profitez de 30 jours pour tester.
Découvrez les tarifs et les produits.
Votre établissement propose peut-être déjà un accès à MATLAB, Simulink et d'autres produits complémentaires via la licence Campus-Wide.