Main Content

最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。

Deep Learning Toolbox

深層学習ネットワークの設計、学習、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、および異なる実験からのコードの比較に役立ちます。層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。

ONNX™ 形式を通じて TensorFlow™ や PyTorch とモデルを交換したり、TensorFlow-Keras や Caffe からモデルをインポートしたりできます。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 つ以上のワークステーションでの学習の高速化 (Parallel Computing Toolbox™ を使用) や、NVIDIA® GPU Cloud、Amazon EC2® GPU インスタンスなどのクラスターやクラウドへのスケール アップ (MATLAB® Parallel Server™ を使用) も可能です。

Deep Learning Toolbox 入門

Deep Learning Toolbox の基礎を学ぶ

イメージを使用した深層学習

畳み込みニューラル ネットワークのゼロからの学習、または事前学習済みのネットワークを使用した新しいタスクの高速学習

時系列、シーケンス、およびテキストを使用した深層学習

時系列の分類、回帰、および予測タスク用のネットワークの作成および学習

深層学習の調整および可視化

実験の管理、学習の進行状況のプロット、精度の評価、予測の実行、学習オプションの調整、ネットワークによって学習された特徴の可視化

並列およびクラウドでの深層学習

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

深層学習の応用

コンピューター ビジョン、画像処理、自動運転、信号、およびオーディオによる深層学習のワークフローの拡張

深層学習のインポート、エクスポート、およびカスタマイズ

深層学習ネットワークのインポート、エクスポート、カスタマイズ、および層、学習ループ、損失関数のカスタマイズ

深層学習データの前処理

深層学習用のデータの管理と前処理

深層学習のコード生成

MATLAB コードまたは CUDA® および C++ コードの生成と深層学習ネットワークの配布

関数近似、クラスタリング、および制御

浅いニューラル 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