Deep Learning Toolbox

Progettazione, addestramento, analisi e simulazione di reti di Deep Learning

Hai domande? Contatta l’ufficio commerciale.

Deep Learning Toolbox mette a disposizione funzioni, app e blocchi Simulink per progettare, implementare e simulare reti neurali profonde. Il toolbox fornisce un framework per creare e utilizzare molti tipi di reti, come le reti neurali convoluzionali (CNN) e i trasformatori. È possibile visualizzare e interpretare le previsioni di una rete, verificare le proprietà della rete e comprimere le reti tramite quantizzazione, proiezione o pruning.

Con l’app Deep Network Designer, è possibile progettare, modificare e analizzare le reti in modo interattivo, importare modelli pre-addestrati ed esportare le reti in Simulink. Il toolbox consente di interagire con altri framework di Deep Learning. È possibile importare modelli PyTorch^®, TensorFlow™ e ONNX™ a scopo di inferenza, Transfer Learning, simulazione e distribuzione. È inoltre possibile esportare i modelli in TensorFlow e ONNX.

È possibile generare automaticamente codice C/C++, CUDA^® e HDL per le reti addestrate.

Che cos’è Deep Learning Toolbox?

Foto di una PCB dal titolo “Difetti previsti” con tre annotazioni etichettate “missing_hole”, ovvero “foro mancante”.

Deep Learning per ingegneri

Crea e utilizza modelli di Deep Learning esplicabili, robusti e scalabili per l’ispezione visiva automatizzata, la modellazione di ordine ridotto, le comunicazioni wireless, la visione artificiale e altre applicazioni.

Deep Learning per ingegneri: costruzione di un sistema di IA (3:40)

Documentazione | Esempi

Tre schermate che mostrano la modellazione di sensori virtuali mediante Deep Learning e una schermata di un grafico a linee che rappresenta le variabili verità, EKF, Deep Learning - FNN e Deep Learning - LSTM.

Deep Learning in Simulink

Utilizza il Deep Learning con Simulink per testare l’integrazione di modelli di Deep Learning in sistemi più grandi. Simula modelli basati su MATLAB o Python per valutare il comportamento dei modelli e le prestazioni dei sistemi.

Integrazione di un modello TensorFlow in Simulink per la simulazione e la generazione di codice (5:47)

Documentazione | Esempi

Diagramma di flusso che mostra che è possibile importare modelli da TensorFlow, ONNX e PyTorch ed è possibile esportare modelli in TensorFlow e ONNX.

Integrazione con PyTorch e TensorFlow

Scambia modelli di Deep Learning con framework di Deep Learning basati su Python. Importa modelli PyTorch, TensorFlow e ONNX ed esporta reti in TensorFlow e ONNX con una sola riga di codice. Co-esegui i modelli basati su Python in MATLAB e Simulink.

Interoperabilità tra Deep Learning Toolbox, TensorFlow, PyTorch e ONNX

Documentazione | Esempi

Diagramma che mostra la generazione di codice MATLAB e Simulink per la distribuzione di modelli di Deep Learning e i dispositivi target su cui è possibile distribuire il codice.

Generazione e distribuzione di codici

Genera automaticamente codice C/C++ ottimizzato (con MATLAB Coder) e codice CUDA (con GPU Coder) per la distribuzione su CPU e GPU. Genera codice Verilog^® e VHDL^® sintetizzabile (con Deep Learning HDL Toolbox) per la distribuzione su FPGA e SoC.

Generazione di codice generico C/C++ per reti di Deep Learning in Simulink (5:10)

Documentazione | Esempi

Quattro immagini della stessa scena su strada che rappresentano l’immagine di test, la segmentazione semantica, la Grad-CAM della strada e la Grad-CAM del manto stradale.

Spiegabilità e verifica

Visualizza l’avanzamento dell’addestramento e le attivazioni delle reti neurali profonde. Usa Grad-CAM, D-RISE e LIME per spiegare i risultati delle reti. Verifica la robustezza e l’affidabilità delle reti neurali profonde.

Che cos’è l’IA esplicabile? (3:45)

Documentazione | Esempi

Pagina iniziale dell’app Deep Network Designer che mostra le opzioni per importare modelli pre-addestrati, compresi i modelli di PyTorch e TensorFlow, e le reti di immagini, tra cui SqueezeNet, GoogLeNet e Res-Net-50.

Progettazione e addestramento di reti

Usa gli algoritmi di Deep Learning per creare CNN, LSTM, GAN e trasformatori, oppure esegui il Transfer Learning con modelli pre-addestrati. Etichetta, elabora e incrementa automaticamente i dati immagine, video e di segnali per l’addestramento delle reti.

Uso del Transfer Learning | Deep Learning per ingegneri, parte 4 (16:18)

Documentazione | Esempi

Schermata dell’app Deep Network Designer che raffigura una rete con decine di layer.

App low-code

Accelera la progettazione di reti, l’analisi e il Transfer Learning per i modelli integrati e basati su Python usando l’app Deep Network Designer. Ottimizza e confronta più modelli con l’app Experiment Manager.

Costruzione, visualizzazione e modifica interattive di reti di Deep Learning (3:54)

Documentazione | Esempi

Schermata di Deep Network Quantizer che mostra tre sezioni separate: un grafico dei layer, le statistiche di calibrazione e un riepilogo di convalida.

Compressione mediante Deep Learning

Comprimi la tua rete di Deep Learning tramite quantizzazione, proiezione o pruning per ridurne il footprint di memoria e aumentare le prestazioni di inferenza. Valuta le prestazioni di inferenza e la precisione usando l’app Deep Network Quantizer.

Quantizzazione di una rete di Deep Learning in MATLAB (2:50)

Documentazione | Esempi

Due grafici dell’avanzamento dell’addestramento mostrano la precisione e la perdita in relazione all’addestramento e alla convalida. La traiettoria della precisione va verso l’alto mentre quella della perdita verso il basso.

Scalabilità del Deep Learning

Accelera l’addestramento sul Deep Learning utilizzando GPU, accelerazione cloud e calcolo distribuito. Addestra più reti in parallelo e procedi all’offload dei calcoli di Deep Learning per l’esecuzione in background.

Accelerazione dell’addestramento delle reti neurali profonde

Documentazione | Esempi

Risorse sui prodotti:

Documentazione Esempi Video Articoli tecnici Funzioni Requisiti Note della release

Mercedes-Benz simula sensori hardware con reti neurali profonde

“Era la prima volta che simulavamo dei sensori con reti neurali su una delle nostre ECU di un motopropulsore. Senza MATLAB e Simulink, avremmo dovuto procedere con una noiosa codifica manuale, un processo lento e soggetto a errori.”
Katja Deuschl, sviluppatrice di IA presso Mercedes-Benz

Visualizza altri casi dei clienti