Deep Learning Toolbox

更新

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。

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。

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。

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。

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。

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。

ローコードアプリ

ディープ ネットワーク デザイナー アプリを使用して、組み込みおよび Python ベースのモデルの設計、解析、および転移学習を高速化します。実験マネージャーアプリを使用して、複数のモデルを調整および比較します。

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。

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。

​「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。」

Katja Deuschl, AI developer at Mercedes-Benz