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, 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.
Apps de low-code
Visualice, cree, entrene y compare modelos de IA para datos de series temporales con la app Time Series Modeler. Acelere el diseño y el análisis de redes para modelos integrados y basados en Python con la app Deep Network Designer.
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.
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".
Deep Learning Toolbox FAQs
Deep Learning Toolbox ofrece apps, funciones y bloques de Simulink para diseñar, implementar y simular redes neuronales profundas, como CNN, LSTM y transformadores.
Puede crear redes neuronales convolucionales (CNN), LSTM, GAN y transformadores, 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 forma 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 Verification Library de 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.
