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