GPU环境检查和安装应用程序
的GPU环境检查应用程序是一个互动的工具来验证和设置GPU代码生成环境等开发计算机和嵌入式硬件平台NVIDIA®动力和杰森。
在使用这个程序之前,安装和设置所需的先决条件的第三方编译器、库和工具。有关更多信息,请参见安装必备产品下载188bet金宝搏和设置必备产品下载188bet金宝搏。
启动应用程序,在MATLAB中®命令窗口中,输入:
gpucoderSetup
验证主机开发计算机环境的NVIDIA GPU所需代码生成编译器和库。
执行基本的代码生成和测试生成的代码的执行在GPU设备主机。测试验证代码执行通过对比结果与MATLAB仿真。
执行深度学习代码生成和发展电脑上执行测试。你可以针对NVIDIA cuDNN或TensorRT库。要求为深入学习GPU编码器™接口金宝app支持包。
连接到嵌入式NVIDIA板驱动和杰森等执行代码生成和执行测试。要求MATLAB编码器™金宝app支持NVIDIA杰森和NVIDIA驱动平台的方案。
指定位置的库和生成一个MATLAB脚本设置所需要的环境变量GPU编码器。
请注意
的gpucoderSetup
应用程序生成一个报告文件在当前文件夹。如果你没有写权限在当前文件夹,在运行应用程序之前,改变通过使用MATLAB的文件夹cd
命令。
硬件设置
的检查/设置面板的应用提供下拉列表,使您能够选择一个GPU在开发计算机主机设备或硬件平台如NVIDIA驱动和杰森。
选项 | 值 | 描述 |
---|---|---|
选择硬件 |
|
执行代码生成代码的执行,在开发计算机主机和环境检查。应用程序生成CUDA®墨西哥人来执行测试。 如果您的开发计算机有多个GPU设备,使用选择GPU选择一个适当的GPU设备选项。 |
|
执行代码生成和代码执行检查的NVIDIA驱动目标平台。 安装好后MATLAB编码器金宝app支持包NVIDIA杰森和NVIDIA驱动平台,使用板设置面板为目标指定连接参数。 |
|
|
执行代码生成和代码执行检查的NVIDIA Jetson目标平台。 安装好后MATLAB编码器支持NV金宝appIDIA Jetson™和NVIDIA驱动包®平台,可以使用板设置面板为目标指定连接参数。 |
|
选择GPU |
|
选择GPU设备运行测试。当有多个设备,是默认第一个设备。 该选项只有当可见选择硬件选项设置为 |
板设置
指定连接参数等硬件平台NVIDIA驱动和杰森。应用程序使用杰森
(MATLAB编码器支持包为金宝appNVIDIA杰森和NVIDIA驱动平台)或开车
(MATLAB编码器支持包为金宝appNVIDIA杰森和NVIDIA驱动平台)的功能MATLAB编码器金宝app支持包NVIDIA杰森和NVIDIA驱动平台创建一个生活硬件连接对象。支持包软金宝app件使用SSH连接在TCP / IP来构建和运行时执行命令生成的CUDA在开车或杰森平台代码。目标平台必须在相同的网络主机电脑。或者,您可以使用一个以太网交叉电缆董事会直接连接到主机。对需求的更多信息,设置,和配置步骤NVIDIA板,明白了安装和设置先决条件NVIDIA董事会(MATLAB编码器支持包为金宝appNVIDIA杰森和NVIDIA驱动平台)。
选项 | 描述 |
---|---|
设备地址 |
硬件的IP地址或主机名。 例如, 使用主机名,您必须将以太网电缆连接到以太网端口。然后,使用Linux命令来配置硬件IP地址和主机名的IP地址关联。 |
用户名 |
有效的Linux®操作系统的用户名。 |
密码 |
有效的指定的Linux用户名的密码。 |
执行超时 |
指定的时间间隔,以秒为单位,应用前等待验证在目标系统上执行测试。默认值是10秒。 |
GPU设备ID |
在NVIDIA驱动等多GPU环境平台,指定目标CUDA GPU设备。 |
工作流程检查
有两种类型的流程检查,您可以执行通过使用应用程序:
基本代码生成和发展电脑上执行测试。这些测试验证代码执行通过对比结果与MATLAB仿真。基本代码生成和执行测试用下面的入口点函数:
函数[你]= gpuSimpleTest(鑫)coder.allowpcode (“普通”);你= coder.nullcopy(0(大小(鑫)));coder.gpu.kernelfun ();为idx = 1:10 0你(idx) =鑫(idx) * 2;结束你=你+ 5;结束
选项 | 描述 |
---|---|
生成代码 |
测试基本的代码生成和构建。这个测试需要一个有效的CUDA在指定的硬件代码生成环境。 |
生成代码并执行 |
测试基本代码生成、构建和执行的设备指定的硬件。这个测试需要一个有效的CUDA代码生成环境和GPU设备在指定的硬件。 |
SIL分析 |
主机电脑上执行基本的SIL分析测试。 |
深度学习代码生成和发展电脑上执行测试。你可以针对cuDNN或TensorRT库。深度学习代码生成和执行测试使用pretrained网络可以检测手写数字图像。网络已经被训练使用修改后的国家标准与技术研究所的数据库(MNIST)数据集。下面的代码显示了深度学习的入口点函数代码生成测试。
函数净= = dlEntryPointTest (, ntwkfile) coder.loadDeepLearningNetwork (ntwkfile);= net.predict(的);结束
选项 | 描述 |
---|---|
生成代码 |
测试深度学习代码生成和构建。这个测试需要一个有效的CUDA在指定的硬件代码生成环境。 |
生成代码并执行 |
测试深度学习代码生成、构建和执行的设备指定的硬件。这个测试需要一个有效的CUDA代码生成环境和GPU设备在指定的硬件。 |
目标 |
指定深度学习库来生成代码。有效的选项是 |
数据类型检查 |
指定支持层的推理计算的精度。金宝app在32位浮点数进行推理,使用 对于计算能力的需求,明白了第三方硬件。 |
环境检查
指定的库的位置检查主机上的CUDA开发环境。生成一个MATLAB脚本gpuEnvSettings.m
设置所需要的环境变量GPU编码器。有关更多信息,请参见设置必备产品下载188bet金宝搏。
选项 | 描述 |
---|---|
CUDA安装路径 |
路径CUDA工具包安装。 例如:
|
cuDNN |
安装路径的根文件夹cuDNN图书馆。 例如:
|
TensorRT |
路径的根文件夹TensorRT™库安装。 例如:
|
NVTX库路径 |
路径 标准CUDA工具包安装,这条路径通常是CUDA库文件夹。 例如:
|
GPU代码生成环境检查报告
当您选择运行检查,gpucoderSetup
应用程序执行环境、代码生成和其他检查根据您选择的设置。然后生成gpucoderSetupReport
报告表明,如果一个测试已经通过,为测试提供额外的信息已经失败。报告的HTML版本的相同的名称创建在当前文件夹。