Deep Learning Toolbox
Diseñe, entrene, analice y simule redes de Deep Learning
¿Tiene preguntas? Comuníquese con ventas.
Deep Learning Toolbox
Deep Learning Toolbox ofrece funciones, apps y bloques de Simulink para diseñar, implementar y simular redes neuronales profundas. Esta toolbox proporciona un marco para crear y utilizar muchos tipos de redes, tales como redes neuronales convolucionales (CNN) y transformadores. Puede visualizar e interpretar predicciones de redes, verificar propiedades de redes y comprimir redes con cuantización, proyección o poda.
Con la app Deep Network Designer, puede diseñar, editar y analizar redes de manera interactiva, importar modelos previamente entrenados, y exportar redes a Simulink. La toolbox permite interoperar con otros marcos de Deep Learning. Puede importar modelos de PyTorch®, TensorFlow™ y ONNX™ para inferencia, transferencia del aprendizaje, simulación y despliegue. También puede exportar modelos a TensorFlow y ONNX.
Puede generar automáticamente código C/C++, CUDA® y HDL para redes entrenadas.
Deep Learning para ingeniería
Cree y use modelos de Deep Learning explicables, sólidos y escalables para inspección visual automatizada, modelado de orden reducido, telecomunicaciones, visión artificial y otras aplicaciones.
Deep Learning en Simulink
Utilice Deep Learning con Simulink para probar la integración de modelos de Deep Learning en sistemas de mayor tamaño. Simule modelos basados en MATLAB o Python para evaluar su comportamiento y el rendimiento del sistema.
Integración con PyTorch y TensorFlow
Intercambie modelos de Deep Learning con marcos de Deep Learning basados en Python. Importe modelos de PyTorch, TensorFlow y ONNX, y exporte redes a TensorFlow y ONNX con una sola línea de código. Coejecute modelos basados en Python en MATLAB y Simulink.
Generación y despliegue de código
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 desplegarlo en FPGA y SoC.
Explicabilidad y verificación
Visualice el progreso del entrenamiento y las activaciones de redes neuronales profundas. Utilice Grad-CAM, D-RISE y LIME para explicar los resultados de redes. Verifique la solidez y fiabilidad de redes neuronales profundas.
Diseño y entrenamiento de redes
Utilice algoritmos de Deep Learning para crear CNN, LSTM, GAN y transformadores, o realice transferencia del aprendizaje con modelos previamente entrenados. Etiquete, procese y aumente automáticamente datos de imágenes, vídeos y señales para entrenar redes.
Apps de low-code
Acelere el diseño, análisis y transferencia del aprendizaje de redes para modelos integrados y basados en Python con la app Deep Network Designer. Ajuste y compare múltiples modelos con la app Experiment Manager.
Compresión de Deep Learning
Comprima una red de Deep Learning con cuantización, proyección o poda para reducir su superficie de memoria y aumentar el rendimiento de la inferencia. Evalúe el rendimiento y precisión de la inferencia con la app Deep Network Quantizer.
Escalado de Deep Learning
Acelere el entrenamiento de Deep Learning con GPU, aceleración en la nube y cálculo distribuido. Entrene múltiples redes en paralelo y descargue cálculos de Deep Learning para que se ejecuten en segundo plano.
Recursos del producto:
"Esta era la primera vez que simulamos sensores con redes neuronales en una de nuestras UCE del sistema de propulsión. Sin MATLAB y Simulink, hubiéramos tenido que emplear un tedioso proceso de programación manual muy lento y propenso a errores".
Obtenga una versión de prueba gratuita
30 días de exploración a su alcance.
¿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.
