深度學習於訊號處理
深度學習呈現了一種新的思路，讓您透過開發預測模型來解決各種訊號處理應用問題。MATLAB®提供從探索到實踐利用深度網路打造訊號處理系統之步驟的全程支援。您可使用以下專為訊號處理設計的功能開始入門：
- 對訊號進行分析、預處理和進行互動式注釋
- 提取特徵並轉換訊號，用以訓練深度類神經網路
- 為生物醫學、音訊、通訊和雷達等真實應用場景建立深度學習模型
- 透過連接硬體和模擬來擷取並產生訊號數據集
深度學習呈現了一種新的思路，讓您透過開發預測模型來解決各種訊號處理應用問題。MATLAB®提供從探索到實踐利用深度網路打造訊號處理系統之步驟的全程支援。您可使用以下專為訊號處理設計的功能開始入門：
借助 MATLAB，您可以使用內建應用程式和特定領域(domain-specific)工具來準備訊號資料，例如對無法載入記憶體的大量訊號資料進行標記和管理。
時頻表示描述了信號中的頻譜內容如何隨時間演變。 您可以訓練深度學習網路從時頻表示中辨識並擷取特徵。同時，您可以從多種技術中任選其一來產生訊號的時頻表示，如 頻譜圖、梅爾頻譜圖、Wigner-Ville 和連續小波轉換（尺度圖）等。
訊號預處理是增強訊號整體品質的關鍵步驟。在訓練深度網路之前，您可以使用內建函式和應用程式來清理訊號並移除不需要的假影。您也可以從訊號中提取標準特徵和特定領域特徵，以降低用於訓練深度學習模型的資料維度。您還可以利用小波散射(Wavelet Scattering)等的特徵自動提取技術，擷取訊號中方差較低的特徵並訓練深度網路。
深度學習模型通常需要大量的資料才能進行訓練和驗證。在某些情況下，可用資料不足可能成為採用深度學習技術的阻礙。借助 MATLAB 以及針對訊號處理應用的附加功能，您可以模擬出非常接近真實場景的合成資料，進而使用深度學習技術開發模型。您也可以將 MATLAB 連接到外部硬體以獲取真實資料，從而透過早期原型來驗證訓練的模型。
互動式設計網路，使用 NVIDIA® GPU 加速訓練，更快獲得理想的結果。
使用 ONNX™匯入預訓練的模型，然後使用 Deep Network Designer 應用程式增加、刪除或重新組織層。
無論您是使用單個 GPU、多個 GPU、雲端 GPU 還是 NVIDIA DGX，只需一行 MATLAB程式碼，即可支援多的 GPU 訓練。
將深度學習模型部署到各類平臺。自動產生程式碼以在 ARM® 和 Intel® MKL-DNN 上本機執行。匯入深度學習模型，並針對 TensorRT 和 CuDNN 函式庫產生 CUDA® 程式碼。
