Main Content

La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

Deep Learning Toolbox

Diseñar, entrenar y analizar redes de deep learning

Deep Learning Toolbox™ proporciona un marco para diseñar e implementar redes neuronales profundas con algoritmos, modelos preentrenados y apps. Puede usar redes neuronales convolucionales (ConvNet, CNN) y redes de memoria de corto-largo plazo (LSTM) para realizar clasificaciones y regresiones en datos de imágenes, series de tiempo y texto. Puede crear arquitecturas de red, como redes generativas antagónicas (GAN) y redes siamesas usando diferenciación automática, bucles de entrenamiento personalizados y pesos compartidos. Con la app Deep Network Designer, puede diseñar, analizar y entrenar redes de forma gráfica. La app Experiment Manager le permite administrar varios experimentos de deep learning, realizar un seguimiento de los parámetros de entrenamiento, analizar los resultados y comparar el código de diferentes experimentos. Puede visualizar las activaciones de las capas y monitorizar de forma gráfica el progreso del entrenamiento.

Puede importar redes y gráficas de capas del formato de modelo TensorFlow™ 2, TensorFlow-Keras, PyTorch® y ONNX™ (Open Neural Network Exchange) y de Caffe. También puede exportar redes de Deep Learning Toolbox y gráficas de capas al formato de modelo TensorFlow 2 y ONNX. La toolbox es compatible con la transferencia del aprendizaje mediante DarkNet-53, ResNet-50, NASNet, SqueezeNet y muchos otros modelos preentrenados.

Puede acelerar el entrenamiento en una estación de trabajo de una sola GPU o varias (usando Parallel Computing Toolbox™), o escalar a clusters y nubes, incluidas instancias de computación en la nube con GPU de NVIDIA® e instancias de GPU de Amazon EC2® (con MATLAB® Parallel Server™).

Introducción a Deep Learning Toolbox

Aprender los aspectos básicos de Deep Learning Toolbox

Aplicaciones

Amplíe flujos de trabajo de deep learning con visión artificial, procesamiento de imágenes, conducción autónoma, procesamiento de señales, procesamiento de audio, análisis de texto y finanzas computacionales

Aspectos básicos de deep learning

Importe, cree, entrene, ajuste, visualice, verifique y exporte redes neuronales profundas

Flujos de trabajo de datos de imagen

Use redes preentrenadas o cree y entrene redes desde cero para la clasificación y regresión de imágenes

Flujos de trabajo de datos de características numéricos y de secuencias

Cree y entrene redes neuronales de clasificación, regresión y predicción para secuencias y datos en tablas

Paralelo y nube

Escale deep learning con varias GPU de forma local o en la nube y entrene varias redes de forma interactiva o en trabajos por lotes

Diferenciación automática

Personalice capas, redes, bucles de entrenamiento y funciones de pérdida de deep learning.

Deep learning con Simulink

Amplíe flujos de trabajo de deep learning con Simulink

Generación de código

Genere código C/C++, CUDA® o HDL, y despliegue redes de deep learning

Aproximación, agrupación y control de funciones

Realice regresiones, clasificaciones y agrupaciones, y modele sistemas dinámicos no lineales mediante redes neuronales superficiales