Deep Learning Toolbox
Diseñe, entrene, analice y simule redes de Deep Learning
¿Tiene preguntas? Comuníquese con ventas.
Deep Learning Toolbox ofrece funciones, apps y bloques de Simulink para diseñar, entrenar y simular redes neuronales profundas. Puede visualizar e interpretar predicciones, verificar propiedades de redes, y comprimir redes con poda, proyección o cuantización. También puede generar código C/C++, CUDA® y HDL para redes entrenadas con MATLAB Coder, GPU Coder o Deep Learning HDL Toolbox.
Esta toolbox ofrece interfaces para otros marcos de IA, lo que permite realizar inferencia en MATLAB y Simulink e importar modelos de PyTorch®, TensorFlow®, Keras™ y ONNX® en MATLAB.
La app Deep Network Designer permite diseñar, importar, editar y analizar redes. La app Time Series Modeler permite entrenar y comparar modelos para predecir series temporales sin necesidad de escribir código.
Diseñe sistemas de ingeniería
Cree y use modelos de Deep Learning explicables, robustos y escalables para sensores virtuales, inspección visual automatizada, modelado de orden reducido, telecomunicaciones, visión artificial y otras aplicaciones.
Desarrolle con apps de bajo código
Visualice, cree, entrene y compare modelos de IA para datos de series temporales con la app Time Series Modeler. Acelere el diseño y análisis de redes para modelos integrados basados en Python con la app Deep Network Designer.
Integre modelos en Simulink
Utilice Deep Learning con Simulink para probar la integración de modelos de Deep Learning en sistemas de gran tamaño. Simule modelos basados en MATLAB o Python para evaluar su comportamiento y el rendimiento del sistema.
Interopere con PyTorch y ONNX
Transfiera modelos de Deep Learning desde y hacia marcos de Deep Learning basados en Python. Importe modelos de PyTorch, TensorFlow y ONNX, y exporte redes a TensorFlow y ONNX. Coejecute modelos basados en Python en MATLAB y Simulink.
Verifique y explique el comportamiento de modelos
Verifique la solidez y confiabilidad de modelos de Deep Learning de MATLAB, PyTorch y ONNX empleando métodos formales y detección de datos fuera de distribución con AI Verification Library. Visualice el progreso del entrenamiento y las activaciones, y explique las predicciones de la red.
Comprima redes neuronales
Comprima redes de Deep Learning con poda, proyección o cuantización para reducir el consumo de memoria y aumentar el rendimiento de la inferencia. Evalúe el rendimiento y precisión de la inferencia con la app Deep Network Quantizer.
Genere código para despliegue
Genere automáticamente código C/C++ optimizado con MATLAB Coder y código CUDA con GPU Coder para desplegarlo en CPU y GPU. Genere código Verilog® y VHDL® sintetizable con Deep Learning HDL Toolbox para FPGA y SoC.
Recursos del producto:
"Esta era la primera vez que simulábamos sensores con redes neuronales en una de nuestras ECU del tren motriz. Sin MATLAB y Simulink, hubiéramos tenido que emplear un arduo proceso de programación manual muy lento y propenso a errores".
Preguntas frecuentes sobre Deep Learning Toolbox
Deep Learning Toolbox ofrece apps, funciones y bloques de Simulink para diseñar, implementar y simular redes neuronales profundas, como CNN, LSTM y transformers.
Puede crear redes neuronales convolucionales (CNN), LSTM, GAN y transformers, o realizar transferencia del aprendizaje con modelos preentrenados.
Sí. Puede importar modelos de PyTorch, TensorFlow y ONNX para realizar inferencia, transferencia del aprendizaje, simulación y despliegue, así como exportar redes a TensorFlow y ONNX con una sola línea de código.
La app Deep Network Designer permite diseñar, editar y analizar redes de forma interactiva, importar modelos preentrenados y exportar redes a Simulink.
La app Time Series Modeler permite visualizar, preprocesar y cargar datos de series temporales; diseñar, editar y entrenar redes neuronales de manera interactiva, y exportar redes a Simulink para problemas de regresión y proyección de series temporales, como el modelado de sensores virtuales.
Sí, la toolbox admite aceleración con GPU para acelerar el entrenamiento y los cálculos de Deep Learning.
Sí. Puede generar automáticamente código C/C++, CUDA y HDL optimizado para redes neuronales entrenadas, y desplegarlo en CPU, GPU, MCU y FPGA.
Puede visualizar el progreso del entrenamiento y las activaciones; usar Grad-CAM, D-RISE y LIME para explicar los resultados de la red, y verificar la robustez y confiabilidad de las redes neuronales profundas con AI Verification Library for Deep Learning Toolbox.
Sí. Puede analizar redes con la app Deep Network Designer y comprimirlas mediante cuantización, proyección o poda para reducir el consumo de memoria y aumentar el rendimiento de la inferencia con la app Deep Network Quantizer.
Sí. Puede integrar modelos de Deep Learning en Simulink para probar la integración con sistemas más grandes y simular modelos basados en MATLAB o Python.
Prueba gratuita de Deep Learning Toolbox
Descubra nuestros productos.
¿Tiene interés en comprar?
Obtenga información sobre precios y explore productos relacionados.
¿Es estudiante?
Es posible que su centro educativo ya ofrezca acceso a MATLAB, Simulink y otros productos complementarios mediante una infraestructura Campus-Wide License.
