Deep Learning Toolbox には、ディープ ニューラル ネットワークの設計、実装、およびシミュレーションのための関数、アプリ、および Simulink ブロックが用意されています。このツールボックスは、畳み込みニューラル ネットワーク (CNN) や Transformer など、さまざまなタイプのネットワークを作成し、使用するためのフレームワークを提供します。ネットワーク予測の可視化と解釈、ネットワーク特性の検証、および量子化、射影、または枝刈りを使用したネットワークの圧縮を行うことができます。
ディープ ネットワーク デザイナー アプリを使用すると、ネットワークを対話的に設計、編集、解析できるほか、事前学習済みのモデルのインポートや、Simulink へのネットワークのエクスポートを行うことができます。このツールボックスでは、他のディープラーニング フレームワークとの相互運用が可能です。推論、転移学習、シミュレーション、および展開用に、PyTorch®、TensorFlow™、および ONNX™ モデルをインポートすることができます。また、TensorFlow と ONNX にモデルをエクスポートすることもできます。
学習済みネットワークの C/C++、CUDA®、および HDL コードを自動生成することができます。
エンジニアのためのディープラーニング
自動外観検査、低次元化モデリング、無線通信、コンピューター ビジョン、その他のアプリケーション用に、説明可能で堅牢性が高く、スケーラブルなディープラーニング モデルを作成し、使用します。
ドキュメンテーション | 例
ローコードアプリ
時系列モデラー アプリを使用すると、時系列データ向け AI モデルの可視化、作成、学習、比較を行うことができます。ディープ ネットワーク デザイナー アプリを使用して、組み込みモデルや Python ベースのモデルのネットワーク設計と解析を加速することもできます。
ドキュメンテーション | 例
Simulink によるディープラーニング
Simulink でディープラーニングを使用して、より大規模なシステムへのディープラーニング モデルの統合をテストします。MATLAB または Python をベースとするモデルをシミュレーションし、モデルの動作およびシステム の性能を評価します。
ドキュメンテーション | 例
PyTorch および TensorFlow との統合
Python ベースのディープラーニング フレームワークを使用して、ディープラーニング モデルを交換します。PyTorch、TensorFlow、および ONNX モデルのインポートや、TensorFlow および ONNX へのネットワークのエクスポートを 1 行のコードで行います。MATLAB と Simulink 内で Python ベースのモデルを同時実行します。
ドキュメンテーション | 例
コードの生成と展開
CPU および GPU へ展開するための、最適化された C/C++ コード (MATLAB Coder を使用) および CUDA コード (GPU Coder を使用) を自動生成します。FPGA および SoC へ展開するための、論理合成可能な Verilog® および VHDL® コード (Deep Learning HDL Toolbox を使用) を生成します。
ドキュメンテーション | 例
説明可能性および検証
ディープ ニューラル ネットワークの学習進行状況と活性化状態を可視化します。Grad-CAM、D-RISE、および LIME を使用してネットワークの結果を説明します。ディープ ニューラル ネットワークのロバスト性と信頼性を検証します。
ドキュメンテーション | 例
ネットワークの設計と学習
ディープラーニング アルゴリズムを使用して、CNN、LSTM、GAN、および Transformer を作成したり、事前学習済みモデルを使用して転移学習を実行したりします。ネットワークの学習用の画像、動画、および信号データを自動的にラベル付け、処理、および拡張します。
ドキュメンテーション | 例
ディープラーニングの圧縮
量子化、射影、または枝刈りを使用してディープラーニング ネットワークを圧縮することで、メモリフットプリントを削減し、推論性能を高めます。ディープネットワーク量子化器アプリを使用して推論性能および精度を評価します。
ドキュメンテーション | 例
ディープラーニングのスケールアップ
GPU、クラウド アクセラレーション、分散コンピューティングを使用して、ディープラーニングの学習を高速化します。複数のネットワークで並列学習を行い、ディープラーニングの計算をオフロードしてバックグラウンドで実行します。
ドキュメンテーション | 例
製品リソース:
「当社のパワートレイン ECU で、ニューラル ネットワークを使用してセンサーのシミュレーションを行ったのは今回が初めてでした。MATLAB とSimulink がなければ、非常に時間がかかり、エラーが発生しやすい、面倒な手動コーディングプロセスを使用しなければならなかったでしょう。」
Deep Learning Toolbox FAQs
Deep Learning Toolbox には、CNN、LSTM、Transformer などのディープ ニューラル ネットワークの設計、実装、およびシミュレーションのための関数、アプリ、および Simulink ブロッ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 (CNN)、LSTM、GAN、Transformer を作成したり、事前学習済みモデルを使用して転移学習を実行したりできます。
はい、推論、転移学習、シミュレーション、展開のために PyTorch、TensorFlow、ONNX モデルをインポートしたり、TensorFlow および ONNX へのネットワークのエクスポートを 1 行のコードで行います。
ディープ ネットワーク デザイナー アプリを使用すると、ネットワークを対話的に設計、編集、解析できるほか、事前学習済みのモデルのインポートや、Simulink へのネットワークのエクスポートを行うことができます。
時系列モデラーアプリを使用すると、時系列データの可視化、前処理、読み込み、ニューラル ネットワークの対話的な設計、編集、学習、および時系列回帰やバーチャル センサー モデリングなどの予測問題に向けた Simulink へのネットワークのエクスポートが可能です。
はい、このツールボックスは GPU アクセラレーションをサポートしており、ディープラーニングの学習と計算を高速化します。
はい、学習済みネットワーク向けの最適化された C/C++、CUDA、および HDL コードを自動生成し、CPU、GPU、MCU、および FPGA への展開に活用できます。
学習進行状況や活性化を可視化したり、Grad-CAM、D-RISE、LIME を使用してネットワークの結果を説明したり、Deep Learning Toolbox Verification Library でディープ ニューラル ネットワークのロバスト性と信頼性を検証したりできます。
はい、ディープ ネットワーク デザイナー アプリでネットワークの圧縮分析を行い、続いてディープネットワーク量子化器アプリで量子化、射影、または枝刈りを使ってネットワークを圧縮し、メモリフットプリントを削減して推論性能を向上できます。
はい、ディープラーニング モデルを Simulink に統合してより大規模なシステムとの統合をテストしたり、MATLAB または Python をベースとするモデルをシミュレーションしたりできます。
Deep Learning Toolbox の無料評価版を試す
今すぐ、その可能性を体験しましょう。
購入する
製品価格に関する情報と関連製品はこちら
あなたは学生ですか?
ご所属の学校にはすでに Campus-Wide License が導入されていて、MATLAB、Simulink、その他のアドオン製品を利用できる可能性があります。
