至19年4月份，matlab2019a已正式上线。我们在matlab2019a命令框输入help之后，可以找到Deep Learning Toolbox工具模块，从官方帮助文档中可知，如下图所示，matlab2016a开使支持Deep Learning Toolbox。
目前，在matlab2019a中，深度学习的基本使用模块已经相对完善，并且支持逐层拖拽的simulink型的架构设计方式。
1. Deep Learning Toolbox 产品描述
Deep Learning Toolbox™ 提供了一个用于通过算法、预训练模型和应用程序来设计和实现深度神经网络的框架。您可以使用卷积神经网络（ConvNet、CNN）和长短期记忆 (LSTM) 网络对图像、时序和文本数据执行分类和回归。应用程序和绘图可帮助您可视化激活值、编辑网络架构和监控训练进度。
对于小型训练集，您可以使用预训练深度网络模型（包括 SqueezeNet、Inception-v3、ResNet-101、GoogLeNet 和 VGG-19）以及从 TensorFlow®-Keras 和 Caffe 导入的模型执行迁移学习。
要加速对大型数据集的训练，您可以将计算和数据分布到桌面计算机上的多核处理器和 GPU 中（使用 Parallel Computing Toolbox™），或者扩展到群集和云，包括 Amazon EC2® P2、P3 和 G3 GPU 实例（使用 MATLAB® Distributed Computing Server™）。
1.1 关键特征
1）卷积神经网络（CNN），长短期记忆（LSTM）和有向无环图（DAG）网络拓扑
2）使用从TensorFlow-Keras和Caffe导入的预训练模型和模型进行传递学习
3）导入和导出ONNX™模型，以实现与其他深度学习框架的互操作性
4）用于图形设计和分析网络架构的应用程序
5）桌面，群集和云（包括Amazon EC2 P2，P3和G3 GPU实例）上的CPU和GPU的培训和推理
6）用于浅层网络的无监督学习算法，包括自组织映射和竞争层
7）用于浅层网络的监督学习算法，包括多层，径向基础，学习矢量量化（LVQ），时间延迟和非线性自回归（NARX）
2. 系统及工具建议
上述是使用Deep Learning Toolbox建议的环境要求及工具包使用情况。翻译成中文是：
1）需要MATLAB
2）建议使用并行计算工具箱，这是GPU支持所需的图像处理工具箱
3）计算机视觉工具箱推荐
4）GPU编码器推荐
5）MATLAB编码器推荐
6）Simulink推荐
7）建议使用强化学习工具箱
前面这些都是matlab的官方废话了，直接来看看到底提供了什么便捷的深度学习模块和使用技巧吧！
3. 看看新鲜的。
在matlab命令框输入
deepNetworkDesigner可以呼出类似simulink的拖拽式的深度学习架构设计页面；如下图：
另一方面，matlab还可以利用第三方已经实现好的一些模型处理一般场景。比如用训练好的googLeNet来识别图片，或识别摄像头里的动态场景。
参考文献
【1】matlab2019a help帮助文档
【2】系统要求： https://ww2.mathworks.cn/support/requirements/product-requirements-platform-availability-list.html