文件名称：Matlab-Deep Learning Toolbox
文件大小：14.06MB
文件格式：ZIP
更新时间：2022-04-28 15:18:53
deep l matlab 深度学习 工具箱
Deep Learning Toolbox™提供了一个框架，用于设计和实现具有算法，预训练模型和应用程序的深度神经网络。您可以使用卷积神经网络（ConvNets，CNN）和长期短期记忆（LSTM）网络对图像，时间序列和文本数据进行分类和回归。应用程序和图表可帮助您可视化激活，编辑网络体系结构以及监控培训进度。 对于小型训练集，您可以使用预训练的深层网络模型（包括SqueezeNet，Inception-v3，ResNet-101，GoogLeNet和VGG-19）以及从TensorFlow™-Keras和Caffe导入的模型执行传输学习。 了解深度学习工具箱的基础知识 深度学习图像 从头开始训练卷积神经网络或使用预训练网络快速学习新任务 使用时间序列，序列和文本进行深度学习 为时间序列分类，回归和预测任务创建和训练网络 深度学习调整和可视化 绘制培训进度，评估准确性，进行预测，调整培训选项以及可视化网络学习的功能 并行和云中的深度学习 通过本地或云中的多个GPU扩展深度学习，并以交互方式或批量作业培训多个网络 深度学习应用 通过计算机视觉，图像处理，自动驾驶，信号和音频扩展深度学习工作流程 深度学习导入，导出和自定义 导入和导出网络，定义自定义深度学习图层以及自定义数据存储 深度学习代码生成 生成MATLAB代码或CUDA ®和C ++代码和部署深学习网络 函数逼近和聚类 使用浅层神经网络执行回归，分类和聚类 时间序列和控制系统 基于浅网络的模型非线性动态系统; 使用顺序数据进行预测。
【文件预览】：
DeepLearnToolbox-master
----SAE()
--------saetrain.m(308B)
--------saesetup.m(132B)
----create_readme.sh(744B)
----NN()
--------nnchecknumgrad.m(704B)
--------nnupdatefigures.m(2KB)
--------nnapplygrads.m(628B)
--------nnff.m(2KB)
--------nntrain.m(2KB)
--------nneval.m(811B)
--------nnbp.m(2KB)
--------nnsetup.m(2KB)
--------nnpredict.m(192B)
--------nntest.m(184B)
----DBN()
--------dbnunfoldtonn.m(425B)
--------rbmup.m(89B)
--------rbmtrain.m(1KB)
--------dbnsetup.m(557B)
--------rbmdown.m(90B)
--------dbntrain.m(232B)
----说明.txt(1KB)
----CONTRIBUTING.md(544B)
----.travis.yml(249B)
----util()
--------randp.m(2KB)
--------myOctaveVersion.m(169B)
--------whiten.m(183B)
--------tanh_opt.m(54B)
--------visualize.m(1KB)
--------flipall.m(80B)
--------normalize.m(97B)
--------sigm.m(48B)
--------isOctave.m(108B)
--------sigmrnd.m(126B)
--------softmax.m(256B)
--------flipudf.m(576B)
--------im2patches.m(313B)
--------zscore.m(137B)
--------rnd.m(49B)
--------fliplrf.m(543B)
--------allcomb.m(3KB)
--------flicker.m(208B)
--------randcorr.m(283B)
--------patches2im.m(242B)
--------expand.m(2KB)
--------makeLMfilters.m(2KB)
----LICENSE(1KB)
----REFS.md(950B)
----README.md(9KB)
----CNN()
--------cnnsetup.m(2KB)
--------cnnapplygrads.m(575B)
--------cnntest.m(193B)
--------cnnbp.m(2KB)
--------cnntrain.m(845B)
--------cnnff.m(2KB)
--------cnnnumgradcheck.m(3KB)
----data()
--------mnist_uint8.mat(14.05MB)
----CAE()
--------caedown.m(259B)
--------caeapplygrads.m(1KB)
--------scaetrain.m(270B)
--------scaesetup.m(2KB)
--------caebbp.m(917B)
--------caetrain.m(1KB)
--------caenumgradcheck.m(4KB)
--------caebp.m(1011B)
--------caeup.m(489B)
--------caeexamples.m(754B)
--------max3d.m(173B)
--------caesdlm.m(845B)
----README_header.md(2KB)
----tests()
--------runalltests.m(165B)
--------test_nn_gradients_are_numerically_correct.m(749B)
--------test_example_NN.m(3KB)
--------test_example_CNN.m(981B)
--------test_cnn_gradients_are_numerically_correct.m(552B)
--------test_example_DBN.m(1KB)
--------test_example_SAE.m(934B)