Deep Learning Toolbox

Creación, análisis y entrenamiento de redes de deep learning

 

Deep Learning Toolbox™ (anteriormente Neural Network Toolbox™) proporciona un marco para diseñar e implementar redes neuronales profundas con algoritmos, modelos previamente entrenados y apps. Puede utilizar redes neuronales convolucionales (ConvNet y CNN) y redes de memoria de corto-largo plazo (LSTM) para realizar la clasificación y la regresión en imágenes, series temporales y datos de texto. Es posible crear arquitecturas de red avanzadas, como redes generativas antagónicas (GAN) y redes siamesas, mediante bucles de entrenamiento personalizados, pesos compartidos y diferenciación automática. Las apps y las gráficas ayudan a visualizar activaciones, editar y analizar arquitecturas de red y supervisar el progreso del entrenamiento.

Puede intercambiar modelos con TensorFlow™ y PyTorch a través del formato ONNX e importar modelos de TensorFlow-Keras y Caffe. Esta toolbox soporta la transferencia del aprendizaje con una librería de modelos previamente entrenados (incluidos NASNet, SqueezeNet, Inception-v3 y ResNet-101).

Puede acelerar el entrenamiento en una estación de trabajo con una o varias GPU (con Parallel Computing Toolbox™) o ampliar a clusters y nubes, incluidas las instancias de GPU de NVIDIA® GPU Cloud y Amazon EC2® (con MATLAB Parallel ServerTM).

Comience:

Redes y arquitecturas

Utilice Deep Learning Toolbox para entrenar redes de deep learning para clasificación, regresión y aprendizaje de características en imágenes, series temporales y datos de texto.

Redes neuronales convolucionales

Descubra patrones en imágenes para reconocer objetos, caras y escenas. Construya y entrene redes neuronales convolucionales (CNN) para realizar la extracción de características y el reconocimiento de imágenes.

Redes de memoria de corto-largo plazo

Lleve a cabo el aprendizaje de dependencias de corto-largo plazo en datos secuenciales, incluidos datos de señales, audio, texto y de otras series temporales. Cree y entrene redes de memoria de corto-largo plazo (LSTM) para realizar tareas de clasificación y regresión. 

Trabajo con LSTM.

Arquitecturas de red

Utilice diversas estructuras de red, como grafo acíclico dirigido (DAG) y arquitecturas recurrentes, para crear su red de deep learning. Cree arquitecturas de red avanzadas, como redes generativas antagónicas (GAN) y redes siamesas mediante bucles de entrenamiento personalizados, pesos compartidos y diferenciación automática.

Trabajo con distintas arquitecturas de red.

Diseño y análisis de redes

Cree, edite, visualice y analice redes de deep learning con apps interactivas. 

Diseño de redes de deep learning

Cree una red profunda desde cero con la app Deep Network Designer. Importe un modelo previamente entrenado, visualice la estructura de red, edite las capas y ajuste los parámetros. 

Análisis de redes de deep learning

Analice la arquitectura de su red para detectar y depurar errores, advertencias y problemas de compatibilidad de capas antes del entrenamiento. Visualice la topología de la red y vea detalles como los parámetros que se pueden aprender y las activaciones.

Análisis de la arquitectura de una red de deep learning.

Transferencia del aprendizaje y modelos previamente entrenados

Importe modelos previamente entrenados en MATLAB para la inferencia. 

Transferencia del aprendizaje

Acceda a redes previamente entrenadas y utilícelas como punto de partida para aprender una nueva tarea, y transfiera rápidamente las funcionalidades aprendidas a una nueva tarea utilizando menos imágenes de entrenamiento.

Modelos previamente entrenados

Acceda a las redes previamente entrenadas más recientes a partir de la investigación con una sola línea de código. Importe modelos previamente entrenados, incluidos Inception-v3, SqueezeNet, NASNet y GoogLeNet.

Análisis de modelos de redes neuronales profundas.

Visualización y depuración

Visualice el progreso del entrenamiento y las activaciones de las funcionalidades aprendidas en una red de deep learning.

Progreso del entrenamiento

Vea el progreso del entrenamiento en cada iteración con gráficas de diversas métricas. Represente gráficamente las métricas de validación con respecto a las métricas de entrenamiento para comprobar de forma visual si la red tiene sobreajuste o no.

Supervisión del progreso del entrenamiento de su modelo.

Activaciones de red

Extraiga las activaciones correspondientes a una capa, visualice las funcionalidades aprendidas y entrene un clasificador de machine learning con las activaciones. Utilice el enfoque Grad-CAM para entender por qué una red de deep learning toma sus decisiones de clasificación.

Visualización de activaciones.

Interoperabilidad con otros marcos

Interopere con marcos de deep learning desde MATLAB.

Conversor de ONNX

Importe y exporte modelos ONNX en MATLAB® para permitir la interoperabilidad con otros marcos de deep learning. ONNX permite que los modelos se entrenen en un marco y luego se transfieran a otro para la inferencia. Utilice GPU Coder™ para generar código CUDA optimizado y MATLAB Coder™ para generar código C++ para el modelo del importador.

Interoperación con marcos de deep learning.

Importador de TensorFlow-Keras

Importe modelos desde TensorFlow-Keras a MATLAB para tareas de inferencia y transferencia del aprendizaje. Utilice GPU Coder para generar código CUDA optimizado y MATLAB Coder para generar código C++ para el modelo del importador.

Importador de Caffe

Importe modelos desde Caffe Model Zoo a MATLAB para tareas de inferencia y transferencia del aprendizaje.

Importación de modelos de Caffe Model Zoo en MATLAB.

Aceleración del entrenamiento

Acelere el entrenamiento de deep learning mediante el cálculo con GPU, en la nube y distribuido. 

Aceleración por GPU

Acelere la inferencia y el entrenamiento de deep learning con GPU NVIDIA de alto rendimiento. Lleve a cabo el entrenamiento en una sola GPU de estación de trabajo o amplíe a varias GPU con sistemas DGX en centros de datos o en la nube. Puede utilizar MATLAB con Parallel Computing Toolbox y la mayoría de GPU NVIDIA habilitadas para CUDA® con una capacidad de cálculo 3.0 o superior.

Aceleración con GPU.

Aceleración en la nube

Reduzca los tiempos de entrenamiento de deep learning con instancias en la nube. Utilice instancias de GPU de alto rendimiento para obtener los mejores resultados.

Aceleración del entrenamiento en la nube con Parallel Computing Toolbox y MATLAB Parallel Server.

Cálculo distribuido

Lleve a cabo el entrenamiento de deep learning en varios procesadores de diversos servidores de una red mediante MATLAB Parallel Server.

Ampliación de deep learning en paralelo y en la nube.

Generación y despliegue de código

Despliegue redes entrenadas en sistemas embebidos o intégrelas en una amplia gama de entornos de producción.

Generación de código

Utilice GPU Coder para generar código CUDA optimizado a partir de código MATLAB para deep learning, visión embebida y sistemas autónomos. Utilice MATLAB Coder para generar código C++ y desplegar redes de deep learning en procesadores Intel® Xeon® y ARM® Cortex®-A.

Despliegue de aplicaciones independientes

Utilice MATLAB Compiler™ y MATLAB Compiler SDK™ para desplegar redes entrenadas como librerías C++ compartidas, ensamblados Microsoft® .NET, clases de Java® y paquetes de Python® desde programas de MATLAB con modelos de deep learning.

Uso compartido de programas de MATLAB independientes con MATLAB Compiler.

Redes neuronales superficiales

Utilice redes neuronales con una amplia gama de arquitecturas de redes neuronales superficiales supervisadas y no supervisadas.

Redes supervisadas

Entrene redes neuronales superficiales supervisadas para modelar y controlar sistemas dinámicos, clasificar datos con ruido y predecir eventos futuros. 

Red neural superficial.

Redes no supervisadas

Localice relaciones en los datos y defina de forma automática los esquemas de clasificación dejando que la red superficial se ajuste continuamente en función de las entradas nuevas. Utilice redes con organización automática y sin supervisión, así como capas competitivas y mapas con organización automática.

Mapa con organización automática.

Autocodificadores apilados

Realice transformación de funcionalidades no supervisada a través de la extracción de funcionalidades de baja dimensión de sus conjuntos de datos mediante autocodificadores. También puede utilizar autocodificadores apilados para el aprendizaje supervisado a través del entrenamiento y el apilamiento de varios codificadores.

Autocodificador apilado.

Funcionalidades más recientes

Flexibilidad de entrenamiento

Entrene arquitecturas de red avanzadas mediante bucles de entrenamiento personalizados, diferenciación automática, pesos compartidos y funciones de pérdida personalizadas.

Redes de deep learning

Cree redes generativas antagónicas (GAN), redes siamesas, autocodificadores variacionales y redes de atención.

Preprocesamiento de datos

Aumente el rendimiento del entrenamiento con diversas opciones de normalización de datos.

Visualización

Asigne funcionalidades de activación intensa de datos de entrada mediante la sensibilidad de oclusión.

Redes Multiple-Input Multiple-Output (MIMO)

Entrene redes con varias entradas y salidas.

Redes de memoria de corto-largo plazo (LSTM)

Calcule las activaciones de las capas intermedias.

Soporte para ONNX

Exporte redes que combinan capas CNN/LSTM y redes que incluyen capas CNN 3D al formato ONNX.

Consulte las notas de la versión para obtener detalles sobre estas funcionalidades y las funciones correspondientes.

MATLAB para deep learning

Diseño, creación y visualización de redes de deep learning

¿Tiene preguntas?

Póngase en contacto con Shounak Mitra, experto técnico de Deep Learning Toolbox

Consiga una prueba gratuita

30 días de exploración a su alcance.

Descargar ahora

¿Listo para comprar?

Solicitar precio y explore los productos relacionados.

¿Es estudiante?

Obtenga el software para estudiantes de MATLAB y Simulink.

Más información