Main Content

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

Deep Learning Toolbox

Concevoir, entraîner, analyser et simuler des réseaux de Deep Learning

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.

Introduction à Deep Learning Toolbox

Apprendre les bases de Deep Learning Toolbox

Applications

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

Fondamentaux du Deep Learning

Importer, créer, entraîner, ajuster, visualiser, vérifier et exporter des réseaux neuronaux profonds

Workflows pour les images

Utiliser des réseaux préentraînés ou créer et entraîner des réseaux à partir de zéro pour exécuter des tâches de classification et de régression sur des images

Workflows de caractéristiques séquentielles et numériques

Créer et entraîner des réseaux de neurones de classification, de régression et de prévision pour des données séquentielles et tabulaires

Parallélisation et 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

Différenciation automatique

Personnaliser les couches, les réseaux, les boucles d’apprentissage et les fonctions de perte du Deep Learning

Deep Learning avec Simulink

Enrichir des workflows de Deep Learning avec Simulink

Génération de code

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