La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.

Description du produit Deep Learning Toolbox

Concevoir, entraîner et analyser des réseaux de Deep Learning

Deep Learning Toolbox™ propose un framework pour le design et l’implémentation de réseaux de neurones profonds avec des algorithmes, des modèles préentraînés et des applications. Vous pouvez utiliser des réseaux de neurones à convolution (ConvNets, CNN) et des réseaux LSTM (long short-term memory) pour faire de la classification et de l'analyse de régression sur des images, des séries temporelles et du texte. Vous pouvez créer des architectures de réseaux tels que des réseaux antagonistes génératifs (GAN) et des réseaux de neurones siamois (Siamese networks) en utilisant la différenciation automatique, des boucles d’apprentissage personnalisées et des pondérations partagées. L’application Deep Network Designer permet de concevoir, analyser et entraîner des réseaux de manière graphique. L’application Experiment Manager vous aide à gérer plusieurs expériences de Deep Learning, à assurer le suivi des paramètres d’apprentissage, à analyser les résultats et à comparer le code de différentes expérimentations. Vous pouvez visualiser les activations de couches et surveiller graphiquement la progression de l’apprentissage.

Vous pouvez importer des réseaux et des graphiques de couches depuis TensorFlow™ 2, TensorFlow-Keras et PyTorch^®, le format de modèle ONNX™ (Open Neural Network Exchange) et Caffe. Vous pouvez également exporter des réseaux et des graphes de couches de Deep Learning Toolbox vers TensorFlow 2 et au format de modèle ONNX. La toolbox supporte l’apprentissage par transfert avec DarkNet-53, ResNet-50, NASNet, SqueezeNet et bien d’autres modèles préentraînés.

Vous pouvez accélérer l’apprentissage sur une station de travail à un ou à plusieurs GPU (avec Parallel Computing Toolbox™) ou l'exécuter à plus grande échelle sur des clusters et des clouds, tels que les instances NVIDIA^® GPU Cloud et Amazon EC2^® GPU (avec MATLAB^® Parallel Server™).