基于DBN的深度学习MATLAB工具箱，包含网络结构代码和实例代码。

daart：用于动物动作识别工具箱的深度学习 一组用于分析行为数据的工具 安装 首先，您必须安装git软件包才能访问github上的代码。 请按照针对特定操作系统的说明进行操作。 然后，在命令行中，导航至要安装daart软件包的位置，然后移至该目录： $: git clone https://github.com/themattinthehatt/daart $: cd daart 接下来，按照说明安装conda软件包以管理开发环境。 然后，创建一个conda环境： $: conda create --name=daart python=3.6 $: conda activate daart (daart) $: pip install -r requirements.txt 为了使软件包模块对python解释器可见，请从主daart目录中本地运行pip install： (daar

在MATLAB内导入和导出ONNX:trade_mark:（开放神经网络交换）模型，以与其他深度学习框架互操作。 ONNX使模型可以在一个框架中进行训练，然后转移到另一个框架中进行推理。 从操作系统或在MATLAB中打开onnxconverter.mlpkginstall文件将启动您所拥有版本的安装过程。 该mlpkginstall文件可用于R2018a及更高版本。 用法示例： %%导出为ONNX模型格式净=挤压％导出的预训练模型filename ='squeezenet.onnx'; exportONNXNetwork（net，文件名）; %%导入导出的网络net2 = importONNXNetwork（'squeezenet.onnx'，'OutputLayerType'，'classification'）; ％在随机输入图像上比较两个网络的预测img = rand（net.Layers（1）.I

矩阵序列matlab代码Cortexsys 3.1用户指南 2016年5月 更新-2016年10月3日 Cortexsys 4.0正在进行中，将完全重写Cortexsys。 到目前为止，图形支持进展良好。 功能将随着完成而实现，其中包括： （4.0）基于图的网络设计，布局和处理 允许在前馈（空间）和循环（时间）网络中进行任意网络设计和连接。 这类似于其他工具箱，例如TensorFlow，Torch，Chainer，Neon，Caffe。 （4.1）卷积的改进 交叉卷积 superconv例程可以处理任意数量的内核，过滤器和批处理大小 （4.2）递归神经网络的改进 GRU（门控循环单元） MGRU（最小门控循环单元） （4.3）批量归一化 （4.4）强化学习深度Q学习 介绍 Cortexsys是适用于Matlab（具有限制的GNU Octave 4.0）的深度学习工具箱，适用于希望在Matlab或Octave环境中快速实现和分析新算法的研究人员和算法开发人员。 Cortexsys也会努力实现经常相互冲突的目标：（1）易于使用和学习； （2）灵活且适用于研究，教育和原型制作。 如果我们实现

Jx-DLT：深度学习工具箱 *此工具箱包含卷积神经网络（CNN） * 显示了如何使用带有基准数据集的CNN程序的示例。 请注意，我们使用一到三个卷积层设置来演示CNN。 *该工具箱的详细信息可以在https://github.com/JingweiToo/Deep-Learning-Toolbox中找到 ****************************************************** ****************************************************** ******************************

ResNet-101 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型在超过一百万张图像上进行训练，共有 347 层，对应于 101 层残差网络，可以将图像分为 1000 个对象类别（例如键盘、鼠标、铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 resnet101.mlpkginstall 文件将启动您拥有的版本的安装过程。 该mlpkginstall文件可用于R2017b及更高版本。 用法示例： % 访问训练好的模型净 = resnet101(); % 查看架构细节网络层% 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 Resnet-101 对图像进行分类标签 = 分类（

DenseNet-201 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从操作系统或从MATLAB内打开densitynet201.mlpkginstall文件将启动您所拥有版本的安装过程。 此 mlpkginstall 文件适用于 R2018a 及更高版本。 用法示例： % 访问训练好的模型净=密网201（）； % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 DenseNet-201 对图像进行分类标签 = 分类（净，我） % 显示图像和分

深度学习工具箱模型量化库可对您的深度学习模型进行量化和压缩。 它提供了仪器服务，使您能够在校准步骤中收集有关权重，激活和中间计算的层级数据。 使用仪器数据，库/附加组件可对模型进行量化，并提供度量标准以验证量化网络的准确性。 库/附加组件使迭代工作流能够优化量化方法，以满足所需的精度。 它提供了启发式选择正确的量化策略。 您可以验证量化网络，然后将精度与单个精度基准进行比较。 库/附加组件提供了一个“量化”应用程序，可让您分析和可视化仪器数据，以了解对选定图层的权重和偏差进行量化的准确性方面的权衡。 该库/附加组件支持针对支持的层的FPGA和NVIDIA GPU的INT8量化。 请在此处参考文档： https : //www.mathworks.com/help/deeplearning/ref/deepnetworkquantizer-app.html 该硬件支持包适用于R20

深度学习的MATLAB工具箱 ，包含CNN，RNN，DBN等，很好的学习入门工具

Matlab深度学习工具箱 deep learning toolbox