Introduction à Deep Learning Toolbox
Deep Learning Toolbox™ propose des fonctions, des applications et des blocs Simulink® pour la conception, l’implémentation et la simulation de réseaux neuronaux profonds. La toolbox offre un environnement permettant de créer et d’utiliser de nombreux types de réseaux comme les réseaux de neurones à convolution (CNN) et les transformateurs. Vous pouvez visualiser et interpréter les prédictions du réseau, vérifier les propriétés du réseau et compresser des réseaux avec la quantification, la projection ou l’élagage (pruning).
Avec l’application Deep Network Designer, vous pouvez concevoir, modifier et analyser des réseaux de manière interactive, importer des modèles préentraînés et exporter des réseaux vers Simulink. La toolbox assure l’interopérabilité avec d’autres environnements de Deep Learning. Vous pouvez importer des modèles PyTorch®, TensorFlow™ et ONNX™ pour l’inférence, l’apprentissage par transfert, la simulation et le déploiement. Vous pouvez également exporter des modèles vers TensorFlow et ONNX.
Vous pouvez automatiquement générer du code C/C++, CUDA® et HDL pour les réseaux entraînés.
Tutoriels
- Démarrer avec Deep Network Designer
Cet exemple montre comment utiliser Deep Network Designer pour créer et entraîner un réseau de neurones récurrent simple pour la classification Deep Learning de séquences. - Get Started with Time Series Forecasting
This example shows how to create a simple long short-term memory (LSTM) network to forecast time series data using the Deep Network Designer app. - En savoir plus sur l’apprentissage par transfert
Cet exemple montre comment utiliser Deep Network Designer afin de préparer un réseau pour l’apprentissage par transfert. - Démarrer avec la classification d’images
Cet exemple montre comment utiliser l’application Deep Network Designer pour créer un réseau de neurones à convolution simple pour la classification Deep Learning. - Essayer le Deep Learning en 10 lignes de code MATLAB
Découvrez comment utiliser le Deep Learning pour identifier des objets sur une webcam live avec le réseau préentraîné SqueezeNet. - Classer une image avec un réseau préentraîné
Cet exemple indique comment classer une image avec le réseau de neurones à convolution préentraîné GoogLeNet. - Créer un réseau simple de classification d’image
Cet exemple montre comment créer et entraîner un réseau de neurones à convolution simple pour la classification Deep Learning.
Workflows de l’application
Workflows de lignes de commande
Exemples présentés
Apprentissage interactif
Deep Learning Onramp
Cette formation gratuite de Deep Learning de deux heures propose une introduction interactive aux méthodes pratiques de Deep Learning. Vous apprendrez à utiliser des techniques de Deep Learning dans MATLAB® pour la reconnaissance d'images.
Vidéos
Modifier un réseau de Deep Learning de façon interactive pour l'apprentissage par transfert
Deep Network Designer est un outil de type pointer-cliquer pour la création ou la modification de réseaux de neurones profonds. Cette vidéo montre comment utiliser l'application dans un workflow d'apprentissage par transfert. Elle démontre la facilité avec laquelle vous pouvez utiliser l’outil pour modifier les dernières couches du réseau importé au lieu de modifier les couches en ligne de commande. Vous pouvez vérifier les erreurs de connexion et d'affectation des propriétés de l’architecture modifiée en utilisant un analyseur de réseau.
Deep Learning avec MATLAB : Deep Learning en 11 lignes de code MATLAB
Découvrez comment utiliser MATLAB, une simple webcam et un réseau de neurones profond pour identifier des objets autour de vous.
Deep Learning avec MATLAB : Apprentissage par transfert en 10 lignes de code MATLAB
Apprenez à vous servir de l'apprentissage par transfert dans MATLAB pour préentraîner des réseaux de Deep Learning créés par des experts pour vos propres données ou tâches.