Avec MATLAB, vous pouvez utiliser des applications intégrées et des outils spécifiques à votre domaine pour préparer les signaux à l'aide d’activité telles que la labélisation et la gestion de volumes de signaux trop importants pour être stockés en mémoire.

Le prétraitement du signal est essentiel pour améliorer sa qualité globale. Vous pouvez utiliser des fonctions et des applications intégrées pour nettoyer les signaux et supprimer les artéfacts indésirables avant l'apprentissage d'un réseau profond. Vous pouvez également extraire du signal des caractéristiques standard et spécifiques à votre domaine afin de réduire la dimensionnalité des données pour l'apprentissage de modèles de Deep Learning. Vous avez aussi la possibilité d'utiliser des techniques d'extraction automatique de caractéristiques, telles que la diffusion en ondelettes, afin d'obtenir les caractéristiques de faible variance des signaux et pour l'apprentissage des réseaux profonds.

Concevez des réseaux de manière interactive, accélérez leur apprentissage à l'aide de GPU NVIDIA^® et obtenez les bons résultats plus rapidement.

Design

Importez des modèles pré-entrainés à l'aide d'ONNX™, puis utilisez l'application Deep Network Designer pour ajouter, supprimer ou réorganiser les couches.

Apprentissage

Que vous utilisiez un seul ou plusieurs GPU, des GPU dans le cloud ou NVIDIA DGX, MATLAB supporte l'apprentissage multi-GPU en une seule ligne de code.

Déploiement

Déployez des modèles Deep Learning n'importe où. Générez du code automatiquement pour l'exécuter de manière native sur ARM^® et Intel^® MKL-DNN. Importez vos modèles de Deep Learning et générez du code CUDA^®, en ciblant les bibliothèques TensorRT et CuDNN.