IA avec MATLAB et Python
Collaborez avec des collègues qui travaillent dans d’autres environnements de Deep Learning pour entraîner et tester des modèles PyTorch® ou TensorFlow™ en utilisant la coexécution avec Python.
Utilisez les toolboxes Signal Processing pour prétraiter les signaux, générer des jeux de données et extraire des caractéristiques afin d’entraîner et de tester des modèles Python.
Intégrez votre travail à des workflows Model-Based Design. Pour plus d’informations, veuillez consulter Deep Learning avec Simulink (Deep Learning Toolbox).
Importez et déployez votre système sur différentes plateformes après avoir qualifié votre design. Pour plus d’informations, veuillez consulter Interoperability Between Deep Learning Toolbox, TensorFlow, PyTorch, and ONNX (Deep Learning Toolbox) et Code Generation for PyTorch and LiteRT Models (MATLAB Coder).
Expérimentez des modèles audio en temps réel avec des E/S audio à faible latence. Si vous disposez d’Audio Toolbox™, vous pouvez également déployer des modèles sous forme de plugins audio pour assurer leur portabilité et les utiliser dans une station audionumérique (DAW).
Informations connexes
Rubriques
- Python Coexecution
Coexecute Python models in MATLAB to implement AI signal processing workflows. (depuis R2026a)
Sélection d՚exemples
Use Signal Feature Extraction to Train PyTorch Fault Detection Model
Coexecute a PyTorch long short-term memory neural network in MATLAB to identify faulty bearing signals.
Signal Imputation in Signal Analyzer Using Time-Series Foundation Model
Coexecute a PyTorch time-series foundation model in Signal Analyzer to restore missing samples in signals.
Anomaly Detection in Signal Labeler Using Time-Series Foundation Model
Coexecute a PyTorch time-series foundation model in Signal Labeler to detect anomalies in signals.
Train PyTorch Speech Command Recognition Model
Learn how to combine MATLAB data processing and visualization capabilities with a Python deep learning framework.
