Deep Learning Toolbox
Concevoir, entraîner, analyser et simuler des réseaux de Deep Learning
Vous avez des questions ? Contactez l'équipe commerciale.
Deep Learning Toolbox propose des fonctions, des applications et des blocs Simulink pour le design, l’apprentissage et la simulation de réseaux de neurones profonds. Vous pouvez visualiser et interpréter les prédictions, vérifier les propriétés des réseaux et les compresser par élagage, projection ou quantification. Vous pouvez aussi générer du code C/C++, CUDA® et HDL pour les réseaux entraînés (avec MATLAB Coder, GPU Coder ou Deep Learning HDL Toolbox).
La toolbox propose des interfaces avec d'autres frameworks d'IA, permettant ainsi l'inférence dans MATLAB et Simulink, ainsi que l'importation de modèles depuis PyTorch®, TensorFlow®, Keras™ et ONNX® vers MATLAB.
L'application Deep Network Designer vous permet de concevoir, d'importer, de modifier et d'analyser des réseaux. L'application Time Series Modeler vous permet d'entraîner et de comparer des modèles de prédiction de séries temporelles sans avoir à écrire de code.
Design de systèmes techniques
Créez et utilisez des modèles de Deep Learning explicables, robustes et évolutifs pour les capteurs virtuels, l'inspection visuelle automatisée, la modélisation d'ordre réduit, les télécommunications, la Computer Vision et d'autres applications.
Développer avec des applications low-code
Visualisez, créez, entraînez et comparez des modèles d'IA pour des données de séries temporelles en utilisant l'application Time Series Modeler. Accélérez le design et l'analyse de réseaux pour les modèles intégrés et basés sur Python en utilisant l'application Deep Network Designer.
Intégrer des modèles dans Simulink
Utilisez le Deep Learning avec Simulink pour tester l'intégration de modèles de Deep Learning dans des systèmes plus vastes. Simulez des modèles basés sur MATLAB ou Python afin d'évaluer leur comportement et la performance du système.
Interopérer avec PyTorch et ONNX
Échangez des modèles de Deep Learning avec des frameworks de Deep Learning basés sur Python. Importez des modèles PyTorch, TensorFlow et ONNX, et exportez des réseaux vers TensorFlow et ONNX. Exécutez conjointement des modèles basés sur Python dans MATLAB et Simulink.
Vérifier et expliquer le comportement d'un modèle
Utilisez la bibliothèque AI Verification Library pour vérifier la robustesse et la fiabilité de modèles de Deep Learning MATLAB, PyTorch et ONNX en utilisant des méthodes formelles et la détection des valeurs hors distribution. Visualisez la progression de l’apprentissage et les activations, et expliquez les prédictions d'un réseau.
Compresser des réseaux de neurones
Compressez les réseaux de Deep Learning grâce à des techniques d'élagage, de projection ou de quantification pour réduire leur empreinte mémoire et augmenter les performances de l’inférence. Évaluez la performance et la précision de l'inférence avec l'application Deep Network Quantizer.
Générer du code pour le déploiement
Générez automatiquement du code C/C++ optimisé (avec MATLAB Coder) et du code CUDA (avec GPU Coder) pour un déploiement sur des CPU et des GPU. Générez du code Verilog® et VHDL® synthétisable (avec Deep Learning HDL Toolbox) pour les FPGA et les SoC.
Ressources produits :
« C'était la première fois que nous simulions des capteurs avec des réseaux de neurones sur l'un des ECU de nos groupes motopropulseurs. Sans MATLAB et Simulink, nous aurions dû passer par un processus de codage manuel fastidieux, très lent et sujet aux erreurs. »
FAQ sur Deep Learning Toolbox
Deep Learning Toolbox propose des fonctions, des applications et des blocs Simulink pour concevoir, implémenter et simuler des réseaux de neurones profonds tels que les CNN, les LSTM et les transformeurs.
Vous pouvez créer des réseaux de neurones convolutifs (CNN), des LSTM, des GAN et des transformeurs, ou effectuer un apprentissage par transfert avec des modèles pré-entraînés.
Oui, vous pouvez importer des modèles PyTorch, TensorFlow et ONNX pour l'inférence, l'apprentissage par transfert, la simulation et le déploiement, et exporter des réseaux vers TensorFlow et ONNX avec une seule ligne de code.
L'application Deep Network Designer vous permet de concevoir, de modifier et d'analyser des réseaux de manière interactive, d'importer des modèles pré-entraînés et d'exporter des réseaux vers Simulink.
L'application Time Series Modeler vous permet de visualiser, de prétraiter et de charger des données de séries temporelles, de concevoir, de modifier et d'entraîner des réseaux de neurones de manière interactive, et d'exporter des réseaux vers Simulink pour des problèmes de régression et de prévision de séries temporelles tels que la modélisation de capteurs virtuels.
Oui, la toolbox supporte l'accélération GPU pour accélérer l’apprentissage des modèles de Deep Learning et les calculs associés.
Oui, vous pouvez générer automatiquement du code C/C++, CUDA et HDL optimisé pour les réseaux entraînés, en vue de leur déploiement sur des CPU, des GPU, des MCU et des FPGA.
Vous pouvez visualiser la progression de l’apprentissage et les activations, utiliser Grad-CAM, D-RISE et LIME pour expliquer les résultats du réseau et vérifier la robustesse et la fiabilité des réseaux de neurones profonds avec AI Verification Library for Deep Learning Toolbox.
Oui, vous pouvez analyser les réseaux en vue de leur compression grâce à l'application Deep Network Designer, puis les compresser par quantification, projection ou élagage afin de réduire l'empreinte mémoire et d'améliorer les performances de l’inférence avec l'application Deep Network Quantizer.
Oui, vous pouvez intégrer des modèles de Deep Learning dans Simulink pour tester l'intégration avec des systèmes plus vastes et simuler des modèles basés sur MATLAB ou Python.
Essayez Deep Learning Toolbox gratuitement
Découvrez nos produits.
Prêt à acheter ?
Découvrez les tarifs et les produits.
Vous êtes étudiant ?
Votre établissement propose peut-être déjà un accès à MATLAB, Simulink et d'autres produits complémentaires via la licence Campus-Wide.
