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 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.
Deep Learning pour les ingénieurs
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.
Applications low-code
Visualisez, créez, entraînez et comparez des modèles d'IA pour les données de séries temporelles avec l'application Time Series Modeler. Accélérez la design et l'analyse des réseaux pour les modèles intégrés et basés sur Python, avec l'application Deep Network Designer.
Deep Learning 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.
Intégration avec PyTorch et TensorFlow
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.
Génération et déploiement de code
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.
Explicabilité et vérification
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.
Design et apprentissage d'un réseau
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.
Compression du Deep Learning
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.
Mise à l'échelle du Deep Learning
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.
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. »
Deep Learning Toolbox FAQs
Deep Learning Toolbox propose des fonctions, des applications et des blocs Simulink pour concevoir, implémenter et simuler des réseaux de neurones profonds tels que des CNN, des LSTM et des 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'entraînement 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 la Deep Learning Toolbox Verification Library.
Oui, vous pouvez analyser le réseau en vue de sa compression à l'aide de l'application Deep Network Designer, puis compresser les réseaux par quantification, projection ou élagage afin de réduire l'empreinte mémoire et d'améliorer les performances d'inférence à l'aide de 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.
