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

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, 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™).

Introduction à Deep Learning Toolbox

Apprendre les bases de Deep Learning Toolbox

Le Deep Learning avec des images

Utiliser des réseaux préentraînés pour apprendre rapidement de nouvelles tâches ou entraînez des réseaux de neurones à convolution à partir de zéro

Deep Learning avec des données de séries temporelles et de séquences

Créer et entraîner des réseaux pour des tâches de classification, de régression et de prévision de séries temporelles

Ajustement et visualisation du Deep Learning

Construire et entraîner de manière interactive des réseaux, gérer des expériences, tracer la progression de l’apprentissage, évaluer la précision, expliquer les prédictions, ajuster des options d’apprentissage et visualiser les caractéristiques apprises par un réseau

Deep Learning en parallèle et dans le cloud

Augmenter la puissance du Deep Learning avec plusieurs GPU, localement ou dans le cloud, et entraîner plusieurs réseaux de manière interactive ou dans des jobs en batch

Applications de Deep Learning

Enrichir des workflows de Deep Learning avec la Computer Vision, le traitement d'images, la conduite autonome, les signaux, l’audio, l’analyse de texte et la finance computationnelle

Importation, exportation et personnalisation de Deep Learning

Importer, exporter et personnaliser des réseaux de Deep Learning et personnaliser des couches, des boucles d’apprentissage et des fonctions de perte

Prétraitement des données de Deep Learning

Gérer et prétraiter des données pour le Deep Learning

Génération de code de Deep Learning

Générer du code C/C++, CUDA^® ou HDL et déployer des réseaux de Deep Learning

Approximation de fonction, clustering et contrôle

Effectuer une régression, une classification, un clustering et modéliser des systèmes dynamiques non linéaires avec des réseaux de neurones peu profonds