Deep Learning Toolbox は、ディープ ニューラル ネットワークの設計、学習、シミュレーションを行うための関数、アプリ、および Simulink ブロックを提供します。予測の可視化・解釈、ネットワーク特性の検証に加え、枝刈り、射影、または量子化を使用したネットワークの圧縮を行うことができます。また、学習済みネットワークの C/C++、CUDA®、HDL コードを生成することもできます (MATLAB Coder、GPU Coder、Deep Learning HDL Toolbox を使用)。
このツールボックスは、他の AI フレームワークとのインターフェイスを備えており、MATLAB および Simulink で推論を実行できるほか、PyTorch®、TensorFlow®、Keras™、ONNX® から MATLAB にモデルをインポートすることもできます。
ディープ ネットワーク デザイナー アプリを使用すると、ネットワークを設計、インポート、編集、解析できます。時系列モデラーアプリを使用すると、コードを記述せずに、時系列予測モデルの学習と比較を行えます。
工学システムの設計
バーチャルセンサー、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
ローコードアプリによる構築
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 でのモデルの統合
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 ONNX との相互運用
Python ベースのディープラーニング フレームワークとの間で、ディープラーニング モデルをやり取りします。PyTorch、TensorFlow、ONNX モデルをインポートし、TensorFlow および ONNX にネットワークをエクスポートします。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
モデルの動作の検証と説明
AI Verification Library で形式的手法と分布外検出を使用して、MATLAB、PyTorch、ONNX のディープラーニング モデルの堅牢性と信頼性を検証します。学習の進捗状況や活性化を可視化し、ネットワーク予測を説明します。
ドキュメンテーション | 例
ニューラル ネットワークの圧縮
枝刈り、射影、または量子化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
展開用コードの生成
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 用の論理合成可能な 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
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 に関するよくある質問 (FAQ)
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、シミュレーションのための関数、アプリ、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、学習を行えるほか、バーチャル センサー モデリングなどの時系列回帰や予測の問題に向けて、ネットワークを Simulink にエクスポートできます。
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から最適化された C/C++、CUDA、HDL コードを自動生成し、CPU、GPU、MCU、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、AI Verification Library for Deep Learning Toolbox 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。
