Main Content

Deep Learning Toolbox

深層学習ネットワークの設計、学習、および解析

Deep Learning Toolbox™ には、アルゴリズム、事前学習済みのモデル、およびアプリを使用した深い (深層) ニューラル ネットワークの設計と実装用のフレームワークが用意されています。畳み込みニューラル ネットワーク (ConvNet、CNN) および長短期記憶 (LSTM) ネットワークを使用して、イメージ、時系列、およびテキスト データの分類と回帰を実行できます。自動微分、カスタム学習ループ、重みの共有を使用して、敵対的生成ネットワーク (GAN) やシャム ネットワークなどのネットワーク アーキテクチャを構築できます。ディープ ネットワーク デザイナー アプリでは、ネットワークの設計、解析、学習を視覚的に実行できます。実験マネージャー アプリは、複数の深層学習実験の管理、学習パラメーターの追跡、結果の解析、および異なる実験のコードの比較に役立ちます。層ごとのアクティベーションの可視化や、学習の進行状況の視覚的な監視が可能です。

TensorFlow™ 2、TensorFlow-Keras、PyTorch®、ONNX™ (Open Neural Network Exchange) モデル形式、および Caffe から、ネットワークと層グラフをインポートできます。Deep Learning Toolbox のネットワークと層グラフを TensorFlow 2 および ONNX モデル形式でエクスポートすることもできます。ツールボックスは、DarkNet-53、ResNet-50、NASNet、SqueezeNet、その他数多くの事前学習済みモデルを使用した転移学習をサポートしています。

GPU が 1 つ以上搭載されたワークステーションでの学習の高速化 (Parallel Computing Toolbox™ を使用)、または、NVIDIA® GPU クラウドや Amazon EC2® GPU インスタンスなどのクラスターおよびクラウドへのスケール アップ (MATLAB® Parallel Server™ を使用) が可能です。

Deep Learning Toolbox 入門

Deep Learning Toolbox の基礎を学ぶ

用途

コンピューター ビジョン、イメージ処理、自動運転、信号、オーディオ、テキスト分析、および金融工学における深層学習のワークフローの拡張

深層学習の基本

深層ニューラル ネットワークのインポート、構築、学習、調整、可視化、検証、およびエクスポート

イメージ データのワークフロー

事前学習済みのネットワークを使用するか、ネットワークをゼロから作成して学習を行い、イメージの分類と回帰を実行する

シーケンス形式および数値形式の特徴データのワークフロー

シーケンス データと表形式データの分類、回帰、および予測のためのニューラル ネットワークの作成と学習

並列と点群

ローカルまたはクラウドでの複数の GPU を使用した深層学習のスケールアップ、対話形式またはバッチ ジョブによる複数のネットワークの学習

自動微分

深層学習の層、ネットワーク、学習ループ、および損失関数のカスタマイズ

Simulink を使用した深層学習

Simulink を使用した深層学習のワークフローの拡張

コード生成

C/C++ コード、CUDA® コード、または HDL コードの生成と深層学習ネットワークの展開

関数近似、クラスタリング、および制御

浅層ニューラル ネットワークを使用した回帰、分類、クラスタリング、および非線形動的システムのモデル化の実行