写在前面的话：文章内容来源于但不限于网络、书籍、个人心得体会等，意在总结和方便各位同行快速参考，共同学习进步，记录自己的问题。错误在所难免，有请各位批评斧正。如有侵权，烦请第一时间通知，我会立即删除相关内容，万分感谢！
对于2019a版本，只需要几行 代码就能构建深度学习模型，这是matlab的优势，并不是每个算法专家代码能力都那么好。并不一定要成为代码领域专家。只需要了解如何使用 MATLAB 帮助相关人员执行深度学习任务，仅此而已。
- 支持的模型GoogLeNet、VGG-16、VGG-19、AlexNet、ResNet-50、ResNet-101 和 Inception-v3等等，后续会继续添加。
- 加速NVIDIA® GPU、云和数据中心资源上的算法，而无需专门编程。
- 使用 MATLAB 应用程序和可视化工具，创建、修改和分析复杂的深度神经网络架构。
- 使用应用程序自动进行图像、视频和音频数据的真实值 (ground-truth) 标注。
- 处理来自 Caffe 和 TensorFlow-Keras 的模型。
- MATLAB 支持 ONNX™，所以您可以使用 PyTorch 和 MxNet 之类的框架与同事协作。
上图的核心是软件本身和ONNX协议，说白了就是模型可以相互转化，由几个大厂维护。现阶段不同的框架产生的模型是不通用的，但是ONNX可以解决这个问题，个人认为，这个以后一定是趋势，关门造车是行不通的。现在支持较好的框架主要有TF-KERAS、Caffe等等。这样结合matlab自身的函数，可以超级方便的应用与修改模型，全身心投入到研究中。
关于网络训练，使用过的朋友都应该了解，matlab是十分方便的，上手很容易。使用特定领域应用程序快速预处理音频、视频和图像数据集。使用 Deep Network Designer 应用程序创建可视化复杂的网络架构，相较于传统框架设计网络，更加直观高效率。方便开发人员修改预训练网络以进行迁移学习，在训练之前可视化、检查并修复问题。
可随处部署深度学习模型：CUDA、C 代码、企业系统或云。若在意性能，可以利用Intel® (MKL-DNN)、NVIDIA（TensorRT、cuDNN）和 ARM® (ARM Compute Library) 优化库生成代码，创建具有高性能推理速度的可部署模型。 这方面还是值得说一说，我实际工作中大部分部署到TX2，STM32没有用过，目测难度较高。深度学习发展的嵌入式上，这是一个方向，但是现阶段模型压缩优化技术并不是很完善，各个大厂都在做。
总之，matlab做深度学习十分方便，但是并不是十分流行，可能和宣传有关。
