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

ResNet-18是预先训练的模型，已经在ImageNet数据库的子集上进行了训练。 该模型在超过一百万张图像上进行了训练，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）。 从您的操作系统或在MATLAB中打开resnet18.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 = resnet18(); % 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-18对图像进行分类标签 = 分类（净，我） % 显示图像和分类结果数字显示（一）

Matlab的深度学习工具箱(Deep Learning Toolbox),适合在Matlab中学习深度学习，包括CAE,CNN,DBN,NN,SAE等，易与工程结合。

cudnn-9.0-windows10-x64-v7.5.0.56 下载

ResNet-50 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，并在 2015 年赢得了 ImageNet 大规模视觉识别挑战 (ILSVRC) 比赛。 该模型在超过一百万张图像上进行了训练，有 177 层总共对应一个50层的残差网络，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 resnet50.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 = resnet50(); % 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:

cuDNN v7.5.0 (Feb 21, 2019), for CUDA 9.2 (win10版) 使用步骤： 1. 解压， 2. 将文件夹里的内容拷贝到CUDA的安装目录并覆盖相应的文件夹。 举例：CUDA目录：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2

一个用于图像分类的一体化深度学习工具包，可以使用MXNet对预训练模型进行微调。

Matlab/Octave toolbox for deep learning. Includes Deep Belief Nets, Stacked Autoencoders, Convolutional Neural Nets, Convolutional Autoencoders and vanilla Neural Nets. Each method has examples to get you started.[来自GitHub]