MATLAB 实现深度学习-设计、构建和可视化卷积神经网络
浏览量
0
只需要几行 MATLAB® 代码就能构建深度学习模型，并不一定要成为专家。了解如何使用 MATLAB 帮助您执行深度学习任务。
• 易于访问最新模型，包括 GoogLeNet、VGG-16、VGG-19、AlexNet、ResNet-50、ResNet-101 和 Inception-v3。
• 加速NVIDIA® GPU、云和数据中心资源上的算法，而无需专门编程。
• 使用 MATLAB 应用程序和可视化工具，创建、修改和分析复杂的深度神经网络架构。
• 使用应用程序自动进行图像、视频和音频数据的真实值 (ground-truth) 标注。
• 处理来自 Caffe 和 TensorFlow-Keras 的模型。
• MATLAB 支持 ONNX™，所以您可以使用 PyTorch 和 MxNet 之类的框架与同事协作。
• 加速NVIDIA® GPU、云和数据中心资源上的算法，而无需专门编程。
• 使用 MATLAB 应用程序和可视化工具，创建、修改和分析复杂的深度神经网络架构。
• 使用应用程序自动进行图像、视频和音频数据的真实值 (ground-truth) 标注。
• 处理来自 Caffe 和 TensorFlow-Keras 的模型。
• MATLAB 支持 ONNX™，所以您可以使用 PyTorch 和 MxNet 之类的框架与同事协作。
互操作性
不再有框架基于 MATLAB 还是Python的选择题。使用 ONNX 导入和导出功能，MATLAB 支持与开源深度学习框架的互操作性。使用 MATLAB 工具的最大意义在于——访问 Python 中没有的功能与预置函数及应用程序。
多平台部署
可随处部署深度学习模型：CUDA、C 代码、企业系统或云。若在意性能，您可以利用Intel® (MKL-DNN)、NVIDIA（TensorRT、cuDNN）和 ARM® (ARM Compute Library) 优化库生成代码，创建具有高性能推理速度的可部署模型。
Use labeling apps for deep learning workflows like semantic segmentation.
预处理应用程序
快速开始网络训练。使用特定领域应用程序快速预处理音频、视频和图像数据集。使用 Deep Network Designer 应用程序创建复杂的网络架构，或修改预训练网络以进行迁移学习，在训练之前可视化、检查并修复问题。
为什么使用 MATLAB 实现深度学习？
