無論是設計演算法，準備和標記資料，還是產生程式碼並部署到嵌入式系統，只需短短幾行 MATLAB® 程式碼，就可以開始在工作中應用深度學習。
使用 MATLAB，您能夠：
殼牌(Shell)
使用語義分割在高光譜衛星資料中進行地形識別。
美安工業(Autoliv)
標記光達( LIDAR)，用於驗證以雷達為基礎的自動駕駛系統。
立命館大學(Ritsumeikan University)
針對CT影像進行CNN訓練，用以降低病人輻射暴露風險。
在MATLAB 中使用特定領域的應用程式(APP)，可以顯著縮短預處理和標記音訊、影片、影像和文本資料的資料集所需的時間。同步不同的時間序列，用插值替換異常值，模糊影像，以及過濾雜訊。使用互動式應用程式進行標記、裁剪和識別重要特徵，使用內建演算法協助實現自動化標記。
想獲得精確的模型，資料事關重大，當您在沒有足夠的情景資料的狀況下，MATLAB可以產生更多資料供您使用。舉例來說，使用遊戲引擎（例如 Unreal EngineR）中的合成影像來整合更多邊緣案例。使用生成式對抗網路 (GAN)建立客製模擬影像。
自動駕駛系統中的常用方法是在可以從感測器獲取資料之前，透過從 Simulink 產生合成資料來測試演算法。
從一套完整的演算法和預建模型開始，然後使用深度學習網路設計器(Deep Network Designer) 建立和修改深度學習模型。採用深度學習模型即可解決領域特定的問題，而不必從頭建立複雜的網路架構。
用簡單的技巧查找最佳網絡超參數，並可使用平行運算工具箱 和高效能 NVIDIA GPU 對這些計算密集型的演算法進行加速。使用 MATLAB 中的視覺化工具以及 Grad-CAM 和遮擋敏感度等技術，深入瞭解您的模型。使用 Simulink 評估經過訓練的深度學習模型對系統級性能的影響。
MATLAB 與Open source深度學習框架並非水火不容，您不用再為框架選擇問題所困擾。 透過MATLAB，您可以使用 ONNX 匯入功能任意存取最新研究，並能使用 NASNet、SqueezeNet、Inception-v3 和 ResNet-101 等內建模型庫快速開始。借助MATLAB 與 Python 之間的可相互呼叫的功能，便可與使用Open source的同事輕鬆協作。
將經過訓練的模型部署到嵌入式系統、企業系統、FGPA裝置或是雲端。除了訓練完成的網路之外，MATLAB現也支援將預處理和後處理一併自動產生 CUDA® 程式碼，部署到指定最新版的 NVIDIA GPU上。
如需提升效能，您可以利用 Intel®、NVIDIA 和 ARM® 最佳化函式庫產生程式碼，以建立具有高效能推理速度的可部署模型。您若需要進行邊緣設備部署，可以在 FPGA 上開發網路原型，然後轉出隨時可投入生產的 HDL程式碼 以部署到各種設備。
