为使用深度学习的图像分类应用程序执行代码生成。它使用CodeGen命令来生成一个MEX函数，该功能通过使用Mobilenet-V2，Resnet和GoogLenet等图像分类网络来运行预测。

生成CUDA®MEX获得训练有素的变异自动编码器（VAE）网络。该示例说明：

使用GPU CODER™在NVIDIA®GPU上训练并部署完全卷积的语义分割网络。

使用NVIDIA TENSORRT™库，用于深度学习应用程序的代码生成。它使用CodeGen命令生成MEX文件以使用Tensorrt使用Resnet-50图像分类网络执行预测。第二个示例演示了CodeGen命令的用法来生成一个MEX文件，该文件通过将Tensorrt用于徽标分类网络执行8位整数预测。

生成Cuda®Mex，以适用于您只看一次（YOLO）V2对象检测器。Yolo V2对象检测网络由两个子网组成。功能提取网络，然后是检测网络。此示例使用YOLO V2深学习示例从计算机Vision Toolbox™中生成了在对象检测中训练的网络代码。有关更多信息，请参见使用Yolo V2深学习的对象检测。您可以修改此示例，以生成CUDA®MEX，以用于从计算机视觉Toolbox™中导入的onnx Yolo V2对象检测器示例导入的网络。有关更多信息，请参阅概述的ONNX YOLO V2对象检测器。

生成用于SSD网络（SSDobjectDetector对象）的CUDA®代码，并利用Nvidia®Cudnn和Tensorrt库。SSD网络基于馈送前向卷积神经网络，该网络在单个镜头中检测图像中的多个对象。可以将SSD网络视为具有两个子网络。功能提取网络，然后是检测网络。

使用CNNCODEGEN函数为图像分类应用程序生成代码，该应用程序在ARM®MaliGPU上使用深度学习。该示例使用Mobilenet-V2 DAG网络执行图像分类。生成的代码利用ARM计算库进行计算机视觉和机器学习。

Demonstrates how to generate CUDA® code for a long short-term memory (LSTM) network. The example generates a MEX application that makes predictions at each step of an input timeseries. Two methods are demonstrated: a method using a standard LSTM network, and a method leveraging the stateful behavior of the same LSTM network. This example uses accelerometer sensor data from a smartphone carried on the body and makes predictions on the activity of the wearer. User movements are classified into one of five categories, namely dancing, running, sitting, standing, and walking. The example uses a pretrained LSTM network. For more information on training, see the Sequence to Sequence Classification Using Deep Learning example from Deep Learning Toolbox™.

展示如何一起使用强大的信号处理技术和卷积神经网络来分类ECG信号。我们还将展示如何从Simulink®模型中生成CUDA®代码。金宝app此示例使用了从Classify Time Series Using Wavelet Analysis and Deep Learning小波Toolbox™的示例根据时间序列数据的CWT的图像对ECG信号进行分类。有关培训的信息，请参见使用小波分析和深度学习（小波工具箱）的分类时间序列。

Generate CUDA® MEX code for a deep learning network for lidar semantic segmentation. This example uses a pretrained SqueezeSegV2 [1] network that can segment organized lidar point clouds belonging to three classes (background, car, and truck). For information on the training procedure for the network, see Lidar Point Cloud Segmentation Using SqueezeSegV2 Deep Learning Network. The generated MEX code takes a point cloud as input and performs prediction on the point cloud by using the DAGNetwork object for the SqueezeSegV2 network.

为深度学习网络生成CUDA®代码，该网络将视频分类并通过使用MATLAB®CODER™支持包进行NVIDIA JETSON和NVIDIA驱动器平台，将生成的代码部署到NVIDIA®Jetson®Xavier板上。金宝app深度学习网络既有卷积和双向长期记忆（BILSTM）层。生成的应用程序将来自指定视频文件的数据读取为一系列视频帧，并输出一个标签，该标签对视频中的活动进行了分类。此示例使用深度学习Toolbox™的深度学习示例为在分类视频中训练的网络生成代码。有关更多信息，请参阅使用深度学习的视频分类。

生成Cuda®Mex，用于您只看一次（YOLO）V3对象检测器，带有自定义层。Yolo V3通过在多个尺度上添加检测来帮助检测较小的对象，从而改善了Yolo V2。此外，用于训练的损耗函数被分为均方根误差，用于边界框回归和二进制跨熵，以帮助提高检测准确性。在此示例中使用的YOLO V3网络使用Yolo V3深学习示例在计算机视觉工具箱（TM）中从对象检测中进行了训练。有关更多信息，请参见使用Yolo V3深学习的对象检测。

从Simulink®模型开发CUDA®应用程序，该模型使用卷积神经网络金宝app（CNN）执行车道和车辆检测。此示例将流量视频的框架作为输入，输出两个车道边界，与自我车辆的左和右车道相对应，并检测框架中的车辆。此示例使用了从使用GPU编码器优化的车道检测example of the GPU Coder Toolbox™. For more information, see Lane Detection Optimized with GPU Coder. This example also uses the pretrained vehicle detection network from the使用Yolo V2深学习的对象检测计算机视觉工具箱™的示例。有关更多信息，请参阅使用Yolo V2深学习（计算机视觉工具箱）的对象检测。

在NVIDIA®J金宝appETSONTX2板上部署Simulink®型号，以分类网络摄像头图像。此示例通过使用预验证的深卷积神经网络实时从网络摄像头进行分类，Resnet-50。该示例中金宝app的Simulink模型使用摄像头和显示块中的Nvidia Jetson和NVIDIA驱动器平台的MATLAB®CODER™支持软件包从网络摄像头捕获实时视频流，并在连接金宝app到Jetson平台的监视器上显示预测结果。

Quantize the learnable parameters in the convolution layers of a deep learning neural network that has residual connections and has been trained for image classification with CIFAR-10 data.

为SSD车辆检测器和YOLO V2车辆检测器生成CUDA®代码，该代码在8位整数中执行推理计算。

Prune the parameters of a trained neural network using two parameter score metrics: The Magnitude score [1] and Synaptic Flow score [2].

Generate CUDA® MEX for a PointPillars object detector. For more information, see Lidar 3-D Object Detection Using PointPillars Deep Learning example from the Lidar Toolbox™.