Deep Learning Toolbox

设计、训练和分析深度学习网络

 

您可以从 TensorFlow™ 2、TensorFlow-Keras、PyTorch®、ONNX™（开放式神经网络交换）模型格式和 Caffe 中导入网络和层次图。您还可以将 Deep Learning Toolbox 网络和层次图导出为 TensorFlow 2 和 ONNX 模型格式。该工具箱支持基于 DarkNet-53、ResNet-50、NASNet、SqueezeNet 及其他多种预训练模型进行迁移学习。

 

您可以在单 GPU 或多 GPU 工作站上更快地训练模型（需要 Parallel Computing Toolbox™），或者将运算扩展到集群和云，例如 NVIDIA® GPU Cloud 和 Amazon EC2® GPU 实例（需要 MATLAB Parallel Server™）。

 

深度学习应用

训练深度学习模型，用于自动驾驶、信号和音频处理、无线通信、图像处理等领域的分类、回归和特征学习应用。

 

网络设计和模型管理

使用低代码 App 加速深度学习模型的开发。使用深度网络设计器创建、训练、分析和调试网络。使用试验管理器调节和比较多个模型。

 

预训练模型

在 MATLAB 中用一行代码访问常用的模型。通过 ONNX 和 TensorFlow™ 使用 PyTorch™ 将任何模型导入 MATLAB。

 

可解释性

在深度学习网络中，可视化训练进度和所学习特征的激活区域。使用 Grad-CAM、遮挡贴图和 LIME 来解释深度学习模型结果。

 

预处理

为网络训练标注、处理和增强数据。使用内置算法自动标注数据。

 

训练加速

使用 GPU、云加速和分布式计算加速深度学习训练。

 

代码生成

使用 GPU Coder™ 自动生成优化的 CUDA® 代码，使用 MATLAB Coder™ 生成 C 和 C++ 代码，以将深度学习网络部署到 NVIDIA GPU 和各种处理器。使用 Deep Learning HDL Toolbox™ 在 FPGA 和 SoC 上进行深度学习网络的原型开发和实现。

 

Simulink 仿真 

使用控制、信号处理和传感器融合组件仿真深度学习网络，以评估深度学习模型对系统级性能的影响。

 

深度学习压缩

对您的深度学习网络进行量化和剪枝，以减少内存使用量并提高推断性能。使用深度网络量化器，对性能与推断准确性之间的权衡进行分析和可视化。

 

Statistics and Machine Learning Toolbox

使用统计与机器学习进行数据分析及建模

 

针对多维数据分析和特征提取，此工具箱提供了主成分分析 (PCA)、正则化、降维和特征选择方法，让您能够识别预测能力最强的变量。

 

此工具箱提供了有监督、半监督和无 监督机器学习算法，包括支持向量机 (SVM)、提升决策树、浅层神经网络、k 均值和其他聚类方法。您可以应用可解释性方法（例如部分依赖图、Shapley 值和 LIME），并自动生成 C/C++ 代码以进行嵌入式部署。原生 Simulink 模块支持您将预测模型用于仿真和基于模型的设计。对于那些无法存储到内存的大型数据集，该工具箱中的许多算法同样适用。

 

描述性统计量和可视化

使用包含交互式可视图形的统计绘图和描述性统计量来探查数据。使用描述性统计量（包括有关集中趋势、散度、形状、相关性和协方差的度量）快速理解和描述潜在的大型数据集。

 

聚类分析

通过应用 k 均值、分层、DBSCAN 以及其他聚类方法识别模式和特征，并将数据分成组或簇，。使用不同评估标准确定数据的最佳簇数。检测异常以识别离群值和新奇值。

 

方差分析

将样本方差指定给不同的源，然后确定方差产生于总体组内还是组间。使用单因素、双因素、多因素、多变量和非参数化方差分析，以及协方差分析 (ANOCOVA) 和重复测量方差分析 (RANOVA)。

 

回归

使用回归学习器或以编程方式训练和评估模型，如线性回归、高斯过程、支持向量机、神经网络和集成。

 

分类

使用分类学习器或以编程方式训练和验证模型，如逻辑回归、支持向量机、提升树和浅层神经网络。

 

降维和特征提取

从图像、信号、文本和数值数据中提取特征。以迭代方式探查和创建新特征，并选择有助于优化性能的特征。通过以下方法降维：将现有特征变换为新的预测变量并丢弃变幻后描述性较弱的特征，或使用自动特征选择。

 

概率分布

进行连续和离散概率分布拟合，使用统计绘图来评估拟合优度，计算 40 多种不同分布的概率密度函数和累积分布函数。

 

假设检验

根据一个样本的统计证据推断总体。对单个、成对或独立样本进行 t 检验、分布检验和非参数化检验。检验自动校正和随机性，并比较分布。

 

工业统计

用统计方法分析影响和数据趋势。设计试验，就如何操作数据输入创建实用的计划并加以测试，获取有关计划对数据输出所产生影响的信息。可视化和分析删失与未删失故障时间数据，监控和评估工业过程的质量。

 

采用 tall 数组的大数据分析

在多种分类、回归和聚类算法中运用 Tall 数组和 Tall 表，以便基于无法放入内存的数据集训练模型，而无需更改代码。 

 

代码生成

生成可移植和可读的 C/C++ 代码，用于推断分类和回归模型、描述性统计量和概率分布。生成降精度的 C/C++ 预测代码，并在不重新生成预测代码的情况下更新已部署模型的参数。

 

Curve Fitting Toolbox

使用回归、插值和平滑对数据进行曲线和曲面拟合

 

在创建一个拟合之后，您可以运用多种后处理方法进行绘图、插值和外插，估计置信区间，并可计算积分和导数。

 

Curve Fitting

从 MATLAB 工作区导入数据并进行曲线和曲面拟合。执行线性和非线性回归和插值。

 

Curve Fitting

使用 Curve Fitting 或命令行拟合函数进行曲线拟合。

 

曲面拟合 

使用 Curve Fitting或命令行拟合函数进行曲面拟合。 

 

线性和非线性回归

使用线性和非线性回归，将一个连续响应变量作为一个预测变量的函数进行建模。

 

线性拟合

通过选择标准回归模型或使用自定义方程来应用线性回归。所有这些标准回归模型都包含优化的求解器参数和起始条件，以提高拟合质量。

 

非线性拟合

使用指数模型、傅里叶级数模型、幂级数模型、高斯模型和标准模型应用非线性参数化回归。

 

平滑和插值

使用插值法估算已知数据点之间的值，然后使用平滑样条和局部回归进行拟合以平滑数据。

 

插值

拟合插值曲线或曲面，并估算已知数据点之间的值。

 

平滑

使用移动平均值、平滑样条和局部回归法平滑数据。

 

后处理

在拟合曲线或曲面后，使用后处理方法对拟合绘图。分析拟合是否准确、估计置信区间并计算积分和导数。

 

比较和评估拟合

创建多个拟合，比较图形和数值结果以及拟合优度统计量。使用验证数据调优拟合。

 

绘图

自定义绘图并执行附加分析，如离群值、残差、置信区间、积分和导数。

 

样条

构造有数据或无数据样条。控制高级样条操作，包括断点/节点操作、优化节点放置以及数据点加权。

 

对数据进行样条拟合

对数据进行各种样条拟合，包括具有各种终止条件的三次样条和平滑样条，用于曲线、曲面和更高维对象。

 

B 样条、有理样条和 NURBS

创建用于分析复杂曲面的 B 样条以及均匀和非均匀有理样条 (NURBS)。

 

Text Analytics Toolbox

分析文本数据并建模

 

Text Analytics Toolbox 中的工具可用于处理不同来源（例如设备日志、新闻提要、调查、操作员报告和社交媒体）的原始文本。您可以从常用文件格式中提取文本、预处理原始文本、提取单个单词、将文本转换为数字表示以及构建统计模型。

 

借助 LSA、LDA 和词嵌入等机器学习方法，您可以在高维文本数据集中查找簇并由此创建特征。您可以将使用 Text Analytics Toolbox 创建的特征与来自其他数据源的特征相结合，以构建综合运用文本、数字和其他类型数据的机器学习模型。

 

文本数据导入和可视化

从社交媒体、新闻提要、设备日志、报告和调查等来源提取文本数据。

 

提取文本数据

将文本数据从单个文件或大量文件中导入 MATLAB®，包括 PDF、HTML、Microsoft® Word® 及 Excel® 文件。

 

文本可视化

使用词云和文本散点图，直观地探查文本数据集。

 

语言支持

Text Analytics Toolbox 针对英语、日语、德语和韩语提供了专用的预处理功能。大多数函数也适用于其他语言的文本。

 

文本数据预处理

从原始文本中提取有意义的单词。

 

清理文本数据

应用高级过滤函数删除无关内容，例如 URL、HTML 标记和标点符号，并纠正拼写。

 

过滤停用词并将单词归一化为词根

过滤常见单词、出现频率过高或过低的单词、非常长或非常短的单词，以便优先分析那些有意义的文本数据。通过词干提取获取单词词根，或通过词形还原将其转化为原形，从而减少词汇量，更侧重于文档整体层面的意义或情感分析。

 

提取语言特征

使用标记化 (tokenization) 算法，自动将原始文本拆分为单词集合。添加句子边界、词性详情和其他相关信息以提供上下文。

 

将文本转换为数值格式

将文本数据转换为数值形式，以用于机器学习和深度学习。

 

单词和 n 元分词 (n-gram) 计数

计算单词频率统计数据，以数值形式表示文本数据。

 

词嵌入和编码

训练词嵌入模型，如 word2vec 连续词袋 (CBOW) 模型和 skip-gram 模型。导入预训练模型，包括 fastText 和 GloVe。

 

文本数据机器学习

使用机器学习算法执行主题建模、情感分析、分类、降维和文档摘要提取。

 

主题建模

使用隐含狄利克雷分布 (LDA) 和隐含语义分析 (LSA) 等机器学习算法，发现并可视化大型文本数据集中的底层模式、趋势和复杂关系。

 

文档摘要和关键字提取

自动从一个或多个文档中提取摘要和相关关键字，并评估文档的相似度和重要性。

 

情感分析

识别文本数据代表的态度和观点，将各个表述归类为正面、中立或负面。构建模型用于实时预测情感。

 

文本数据深度学习

使用深度学习算法执行情感分析、分类、摘要和文本生成。

 

变换器模型 

使用 BERT, FinBERT, 和 GPT-2 等变换器模型执行文本数据迁移学习，以用于情感分析、分类和摘要等任务。

 

文本分类

在深度学习中使用词嵌入识别文本类别，对文本描述进行分类。

 

文本生成

利用深度学习，基于观察到的文本生成新文本。