Deep Learning Toolbox

딥러닝 신경망 설계, 훈련, 분석 및 시뮬레이션

Deep Learning Toolbox는 심층 신경망을 설계, 구현, 시뮬레이션하기 위한 함수, 앱, Simulink 블록을 제공합니다. 이 툴박스는 CNN(컨벌루션 신경망) 및 트랜스포머와 같은 많은 유형의 신경망을 만들고 사용하기 위한 프레임워크를 제공할 수 있습니다. 신경망 예측을 시각화 및 해석하고, 신경망 속성을 검증하고, 양자화, 투영 또는 가지치기를 사용하여 신경망을 압축할 수 있습니다.

심층 신경망 디자이너 앱을 사용하여 대화형 방식으로 신경망을 설계, 편집, 분석하고, 사전 훈련된 모델을 가져오고, 신경망을 Simulink로 내보낼 수 있습니다. 이 툴박스를 사용하면 다른 딥러닝 프레임워크와 상호운용할 수 있습니다. 추론, 전이 학습, 시뮬레이션, 배포를 위해 PyTorch^®, TensorFlow™, ONNX™ 모델을 가져올 수 있습니다. 또한 TensorFlow 및 ONNX로 모델을 내보낼 수도 있습니다.

훈련된 신경망에 대한 C/C++, CUDA^®, HDL 코드를 자동으로 생성할 수 있습니다.

Deep Learning Toolbox란?

“missing_hole” 레이블이 지정된 주석이 3개 있는 제목이 “Predicted Defects”인 PCB의 사진.

엔지니어를 위한 딥러닝

자동 외관 검사, 차수 축소 모델링, 무선 통신, 컴퓨터 비전 및 기타 응용 분야를 위한 설명 가능하고 견고하며 확장 가능한 딥러닝 모델을 구축하고 사용할 수 있습니다.

엔지니어를 위한 딥러닝: AI 시스템 구축하기 (3:40)

문서 | 예제

딥러닝을 사용한 가상 센서 모델링을 보여주는 스크린샷 3개와 truth, EKF, deep learning - FNN, deep learning - LSTM 변수를 플로팅하는 선 그래프의 스크린샷 1개.

Simulink에서의 딥러닝

Simulink에서 딥러닝을 사용하여 더 큰 시스템으로의 딥러닝 모델 통합을 테스트할 수 있습니다. MATLAB 또는 Python 기반 모델을 시뮬레이션하여 모델 동작과 시스템 성능을 평가할 수 있습니다.

시뮬레이션 및 코드 생성을 위해 Simulink에 TensorFlow 모델 통합 (5:47)

문서 | 예제

TensorFlow, ONNX, PyTorch에서 모델을 가져오고 TensorFlow와 ONNX로 모델을 내보낼 수 있음을 보여주는 플로우 차트.

PyTorch 및 TensorFlow와 통합

Python 기반 딥러닝 프레임워크와 딥러닝 모델을 교환할 수 있습니다. 단 한 줄의 코드로 PyTorch, TensorFlow, ONNX 모델을 가져오고 TensorFlow와 ONNX로 신경망을 내보낼 수 있습니다. MATLAB 및 Simulink에서 Python 기반 모델을 공동 실행할 수 있습니다.

Deep Learning Toolbox, TensorFlow, PyTorch 및 ONNX 간의 상호운용성

문서 | 예제

딥러닝 모델 배포를 위한 MATLAB 및 Simulink 코드 생성, 그리고 코드를 배포할 수 있는 타겟 기기를 보여주는 다이어그램.

코드 생성 및 배포

CPU와 GPU에 배포하기 위한 최적화된 C/C++ 코드(MATLAB Coder 사용)와 CUDA 코드(GPU Coder 사용)를 자동으로 생성할 수 있습니다. FPGA와 SoC에 배포하기 위한 합성 가능한 Verilog^® 및 VHDL^® 코드(Deep Learning HDL Toolbox 사용)를 생성할 수 있습니다.

Simulink에서 딥러닝 신경망의 일반 C/C++ 코드 생성하기 (5:10)

문서 | 예제

동일한 도로 장면을 테스트 영상, 의미론적 분할, 도로의 Grad-CAM, 인도의 Grad-CAM을 나타낸 4개의 영상.

설명 가능성 및 검증

심층 신경망의 훈련 진행 상황과 활성화를 시각화할 수 있습니다. Grad-CAM, D-RISE, LIME을 사용하여 신경망 결과를 설명할 수 있습니다. 심층 신경망의 견고성 및 신뢰성을 검증할 수 있습니다.

설명 가능한 AI란? (3:45)

문서 | 예제

PyTorch 및 TensorFlow의 모델과 SqueezeNet, GoogLeNet 및 Res-Net-50 등 영상 신경망을 포함한 사전 훈련된 모델을 가져오기 위한 옵션을 보여주는 심층 신경망 디자이너 앱의 시작 페이지.

신경망 설계 및 훈련

딥러닝 알고리즘을 사용하여 CNN, LSTM, GAN, 트랜스포머를 만들거나 사전 훈련된 모델을 사용하여 전이 학습을 수행할 수 있습니다. 영상, 비디오, 신호 데이터에 자동으로 레이블을 지정하고 처리 및 증강하여 신경망 훈련을 수행할 수 있습니다.

전이 학습 사용 | 엔지니어를 위한 딥러닝, 4편 (16:18)

문서 | 예제

수십 개의 계층이 있는 신경망을 보여주는 심층 신경망 디자이너 앱의 스크린샷.

로우코드 앱

심층 신경망 디자이너 앱을 사용하여 내장 모델 및 Python 기반 모델의 신경망 설계, 분석, 전이 학습을 가속화할 수 있습니다. 실험 관리자 앱을 사용하여 여러 모델을 조정하고 비교할 수 있습니다.

대화형 방식으로 딥러닝 신경망 구축, 시각화 및 편집하기 (3:54)

문서 | 예제

3개의 개별 섹션인 신경망 계층 그래프, 보정 통계, 검증 요약을 보여주는 심층 신경망 양자화기의 스크린샷.

딥러닝 압축

양자화, 투영 또는 가지치기로 딥러닝 신경망을 압축하여 메모리 사용량을 줄이고 추론 성능을 높일 수 있습니다. 심층 신경망 양자화기 앱을 사용하여 추론 성능과 정확도를 평가할 수 있습니다.

MATLAB에서의 딥러닝 신경망 양자화 (2:50)

문서 | 예제

두 훈련 진행 상황 그래프는 훈련과 검증의 정확도와 손실을 보여줍니다. 정확도는 상승 궤적이고 손실은 하락 궤적입니다.

딥러닝 확장

GPU, 클라우드 가속화, 분산 연산을 사용하여 딥러닝 훈련을 가속화할 수 있습니다. 여러 개의 신경망 훈련을 병렬로 수행하고 딥러닝 연산을 분담하여 백그라운드에서 실행되도록 할 수 있습니다.

심층 신경망 훈련 가속화

문서 | 예제

제품 관련 자료:

문서 예제 비디오 기술 칼럼 함수 요구사항 릴리스 정보

Mercedes-Benz - 심층 신경망을 사용한 하드웨어 센서 시뮬레이션 사례

"우리의 파워트레인 ECU에 대해 신경망을 사용하여 센서를 시뮬레이션한 것은 이번이 처음이었습니다. MATLAB 및 Simulink를 사용하지 않았다면 우리는 매우 느리고 오류가 발생하기 쉬운 지루한 수동 코딩 과정을 거쳐야 했을 것입니다."
Katja Deuschl, Mercedes-Benz의 AI 개발자

고객 사례 더 보기