Deep Learning Toolbox
Concevoir, entraîner, analyser et simuler des réseaux de Deep Learning
Vous avez des questions ? Contactez l'équipe commerciale.
Vous avez des questions ? Contactez l'équipe commerciale.
Deep Learning Toolbox propose des fonctions, des applications et des blocs Simulink pour concevoir, implémenter et simuler des réseaux de neurones profonds. La toolbox propose un environnement pour créer et utiliser de nombreux types de réseaux, tels que les réseaux de neurones à convolution (CNN) et les transformateurs. Vous pouvez visualiser et interpréter les prédictions des réseaux, vérifier leurs propriétés et les compresser par quantification, projection ou élagage.
Avec l'application Deep Network Designer, vous pouvez concevoir, modifier et analyser des réseaux de manière interactive, importer des modèles pré-entraînés et exporter des réseaux vers Simulink. La toolbox vous permet d'interopérer avec d'autres frameworks de Deep Learning. Vous pouvez importer des modèles depuis 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 générer automatiquement du code C/C++, CUDA® et HDL pour les réseaux entraînés.
Créez et utilisez des modèles de Deep Learning explicables, robustes et évolutifs pour l'inspection visuelle automatisée, la modélisation d'ordre réduit, les télécommunications, la Computer Vision et d'autres applications.
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.
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 avec une seule ligne de code. Exécutez conjointement des modèles basés sur Python dans MATLAB et Simulink.
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 un déploiement sur des FPGA et des SoC.
Visualisez la progression de l'apprentissage et les activations des réseaux de neurones profonds. Utilisez Grad-CAM, D-RISE et LIME pour expliquer les résultats du réseau. Vérifiez la robustesse et la fiabilité des réseaux de neurones profonds.
Utilisez des algorithmes de Deep Learning pour créer des CNN, des LSTM, des GAN et des transformateurs, ou effectuez de l'apprentissage par transfert avec des modèles pré-entraînés. Étiquetez, traitez et augmentez automatiquement les données d'images, de vidéos et de signaux pour l'apprentissage des réseaux.
Accélérez le design, l'analyse et l'apprentissage par transfert de réseaux pour les modèles intégrés et basés sur Python en utilisant l'application Deep Network Designer. Ajustez et comparez plusieurs modèles avec l'application Experiment Manager.
Compressez votre réseau de Deep Learning grâce à la quantification, à la projection ou à l'élagage pour réduire son empreinte mémoire et augmenter la performance d'inférence. Évaluez la performance et la précision de l'inférence avec l'application Deep Network Quantizer.
Accélérez l'apprentissage du Deep Learning en utilisant des GPU, l'accélération cloud et le calcul distribué. Entraînez plusieurs réseaux en parallèle et transférez les calculs de Deep Learning pour qu'ils s'exécutent en arrière-plan.
« 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. »
Katja Deuschl, développeuse en IA chez Mercedes-Benz
Profitez de 30 jours pour tester.
Découvrez les tarifs et les produits.
Votre établissement propose peut-être déjà un accès à MATLAB, Simulink et d'autres produits complémentaires via la licence Campus-Wide.