Deep Learning Toolbox™ 提供了一个用于通过算法、预训练模型和应用程序来设计和实现深度神经网络的框架。
我们可以使用卷积神经网络（ConvNet、CNN）和长短期记忆 (LSTM) 网络对图像、时序和文本数据执行分类和回归。
对于小型训练集，我们可以使用预训练深度网络模型（包括 SqueezeNet、Inception-v3、ResNet-101、AlexNet、GoogLeNet 和 VGG-19）以及从 TensorFlow®-Keras 和 Caffe 导入的模型执行迁移学习。
要加速对大型数据集的训练，我们可以将计算和数据分布到桌面计算机上的多核处理器和 GPU 中（使用 Parallel Computing Toolbox™），或者扩展到群集和云，包括 Amazon EC2® P2、P3 和 G3 GPU 实例（使用 MATLAB® Distributed Computing Server™）。
/pub/3mGbnX-BgqGGV1)
Deep Learning Toolbox™ 包含一系列算法、预训练模型和应用程序，为您设计和实现深度神经网络提供框架。您可以使用卷积神经网络 (ConvNet、CNN) 和长短期记忆 (LSTM) 网络，对图像、时间序列和文本数据执行分类和回归。您可以使用自动微分、自定义训练循环和共享权重构建网络架构，例如生成式对抗网络 (GAN) 和孪生网络。借助深度网络设计器，您能够以图形方式设计、分析和训练网络。试验管理器可帮助您管理多个深度学习实验、跟踪训练参数、分析结果，并比较来自不同实验的代码。您可以将层激活区域可视化，并以图形方式监控训练进度。