Deep Learning Toolbox

Concevoir, entraîner, analyser et simuler des réseaux de Deep Learning

Vous avez des questions ? Contactez l'équipe commerciale.

Deep Learning Toolbox propose des fonctions, des applications et des blocs Simulink pour concevoir, implémenter et simuler des réseaux de neurones profonds. La toolbox propose un environnement pour créer et utiliser de nombreux types de réseaux, tels que les réseaux de neurones à convolution (CNN) et les transformateurs. Vous pouvez visualiser et interpréter les prédictions des réseaux, vérifier leurs propriétés et les compresser par quantification, projection ou élagage.

Avec l'application Deep Network Designer, vous pouvez concevoir, modifier et analyser des réseaux de manière interactive, importer des modèles pré-entraînés et exporter des réseaux vers Simulink. La toolbox vous permet d'interopérer avec d'autres frameworks de Deep Learning. Vous pouvez importer des modèles depuis PyTorch^®, TensorFlow™ et ONNX™ pour l'inférence, l'apprentissage par transfert, la simulation et le déploiement. Vous pouvez également exporter des modèles vers TensorFlow et ONNX.

Vous pouvez générer automatiquement du code C/C++, CUDA^® et HDL pour les réseaux entraînés.

Introduction à Deep Learning Toolbox

Photo d'un circuit imprimé intitulé « Predicted Defects » avec trois annotations « missing_hole ».

Deep Learning pour les ingénieurs

Créez et utilisez des modèles de Deep Learning explicables, robustes et évolutifs pour l'inspection visuelle automatisée, la modélisation d'ordre réduit, les télécommunications, la Computer Vision et d'autres applications.

Deep Learning pour les ingénieurs : créer un système d'IA (3:40)

Documentation | Exemples

Trois captures d'écran montrant la modélisation de capteurs virtuels basée sur le Deep Learning, et une autre capture d'écran montrant un graphique linéaire représentant les variables vérité, EKF, Deep Learning - FNN, et Deep Learning - LSTM.

Deep Learning dans Simulink

Utilisez le Deep Learning avec Simulink pour tester l'intégration de modèles de Deep Learning dans des systèmes plus vastes. Simulez des modèles basés sur MATLAB ou Python afin d'évaluer leur comportement et la performance du système.

Intégrer un modèle de TensorFlow dans Simulink pour la simulation et la génération de code (5:47)

Documentation | Exemples

Diagramme montrant que vous pouvez importer des modèles depuis TensorFlow, ONNX et PyTorch et exporter des modèles vers TensorFlow et ONNX.

Intégration avec PyTorch et TensorFlow

Échangez des modèles de Deep Learning avec des frameworks de Deep Learning basés sur Python. Importez des modèles PyTorch, TensorFlow et ONNX, et exportez des réseaux vers TensorFlow et ONNX avec une seule ligne de code. Exécutez conjointement des modèles basés sur Python dans MATLAB et Simulink.

Interopérabilité entre Deep Learning Toolbox, TensorFlow, PyTorch et ONNX

Documentation | Exemples

Diagramme montrant la génération de code MATLAB et Simulink pour le déploiement de modèles de Deep Learning et les dispositifs cibles sur lesquels le code peut être déployé.

Génération et déploiement de code

Générez automatiquement du code C/C++ optimisé (avec MATLAB Coder) et du code CUDA (avec GPU Coder) pour un déploiement sur des CPU et des GPU. Générez du code Verilog^® et VHDL^® synthétisable (avec Deep Learning HDL Toolbox) pour un déploiement sur des FPGA et des SoC.

Générer du code C/C++générique pour les réseaux de Deep Learning dans Simulink (5:10)

Documentation | Exemples

Quatre images de la même scène de route qui représentent l'image-test, la segmentation sémantique, la visualisation Grad-CAM de la chaussée et la visualisation Grad-CAM du trottoir.

Explicabilité et vérification

Visualisez la progression de l'apprentissage et les activations des réseaux de neurones profonds. Utilisez Grad-CAM, D-RISE et LIME pour expliquer les résultats du réseau. Vérifiez la robustesse et la fiabilité des réseaux de neurones profonds.

Introduction à l'IA explicable (3:45)

Documentation | Exemples

La page d'accueil de l'application Deep Network Designer montre les options d'importation de modèles pré-entraînés, notamment les modèles de PyTorch et TensorFlow, et les réseaux d'images, notamment SqueezeNet, GoogLeNet, et Res-Net-50.

Design et apprentissage d'un réseau

Utilisez des algorithmes de Deep Learning pour créer des CNN, des LSTM, des GAN et des transformateurs, ou effectuez de l'apprentissage par transfert avec des modèles pré-entraînés. Étiquetez, traitez et augmentez automatiquement les données d'images, de vidéos et de signaux pour l'apprentissage des réseaux.

Utiliser l'apprentissage par transfert | Deep Learning pour les ingénieurs, partie 4 (16:18)

Documentation | Exemples

Capture d'écran de l'application Deep Network Designer représentant un réseau avec des dizaines de couches.

Applications low-code

Accélérez le design, l'analyse et l'apprentissage par transfert de réseaux pour les modèles intégrés et basés sur Python en utilisant l'application Deep Network Designer. Ajustez et comparez plusieurs modèles avec l'application Experiment Manager.

Construire, visualiser et modifier des réseaux de Deep Learning de manière interactive (3:54)

Documentation | Exemples

Capture d'écran de Deep Network Quantizer montrant trois sections distinctes : un graphique de couche de réseau, des statistiques d'étalonnage et un résumé de validation.

Compression du Deep Learning

Compressez votre réseau de Deep Learning grâce à la quantification, à la projection ou à l'élagage pour réduire son empreinte mémoire et augmenter la performance d'inférence. Évaluez la performance et la précision de l'inférence avec l'application Deep Network Quantizer.

Quantification d'un réseau de Deep Learning dans MATLAB (2:50)

Documentation | Exemples

Deux graphiques de la progression de l'apprentissage montrent la précision et les pertes pour l'apprentissage et la validation. La précision présente une trajectoire ascendante et les pertes présentent une trajectoire descendante.

Mise à l'échelle du Deep Learning

Accélérez l'apprentissage du Deep Learning en utilisant des GPU, l'accélération cloud et le calcul distribué. Entraînez plusieurs réseaux en parallèle et transférez les calculs de Deep Learning pour qu'ils s'exécutent en arrière-plan.

Accélérer l'apprentissage des réseaux de neurones profonds

Documentation | Exemples

Ressources produits :

Documentation Exemples Vidéos Articles techniques Fonctions Configuration requise Notes de version

Mercedes-Benz simule des capteurs hardware avec des réseaux de neurones profonds

« C'était la première fois que nous simulions des capteurs avec des réseaux de neurones sur l'un des ECU de nos groupes motopropulseurs. Sans MATLAB et Simulink, nous aurions dû passer par un processus de codage manuel fastidieux, très lent et sujet aux erreurs. »
Katja Deuschl, développeuse en IA chez Mercedes-Benz

Consultez d'autres témoignages de clients