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命令生成一个MEX函数，该函数通过使用图像分类网络(如MobileNet-v2、ResNet和GoogLeNet)运行预测。

为训练好的变分自编码器(VAE)网络生成CUDA®MEX。示例说明:

使用GPU Coder™在NVIDIA®GPU上训练和部署一个完全卷积的语义分割网络。

通过使用NVIDIA TensorRT™库为深度学习应用程序生成代码。它使用codegen命令生成MEX文件，通过TensorRT与ResNet-50图像分类网络进行预测。第二个示例演示了如何使用codegen命令生成一个MEX文件，该文件通过使用TensorRT对标识分类网络执行8位整数预测。

生成CUDA®MEX用于您只看一次(YOLO) v2对象检测器。YOLO v2目标检测网络由两个子网络组成。特征提取网络，然后是检测网络。这个例子为在计算机视觉工具箱中使用YOLO v2深度学习的对象检测中训练的网络生成代码。有关更多信息，请参阅使用YOLO v2深度学习的对象检测。您可以修改此示例，为从计算机视觉工具箱™导入预训练的ONNX YOLO v2对象检测器示例中导入的网络生成CUDA®MEX。有关更多信息，请参见导入预训练的ONNX YOLO v2对象检测器。

为SSD网络生成CUDA®代码(ssdObjectDetector对象)，并利用NVIDIA®cuDNN和TensorRT库。SSD网络基于前馈卷积神经网络，可以在单个镜头中检测图像中的多个对象。SSD网络可以认为有两个子网络。特征提取网络，然后是检测网络。

使用cnncodegen函数为在ARM®Mali gpu上使用深度学习的图像分类应用程序生成代码。本例使用MobileNet-v2 DAG网络进行图像分类。生成的代码利用ARM计算库进行计算机视觉和机器学习。

演示如何为长短期记忆(LSTM)网络生成CUDA®代码。该示例生成一个在输入时间序列的每一步进行预测的MEX应用程序。演示了两种方法:一种方法使用标准LSTM网络，另一种方法利用同一LSTM网络的有状态行为。这个例子使用了来自随身携带的智能手机的加速度计传感器数据，并对佩戴者的活动进行预测。用户的动作分为五类，即跳舞、跑步、坐着、站着和走。本例使用预训练的LSTM网络。有关训练的更多信息，请参阅深度学习工具箱™中的使用深度学习的序列到序列分类示例。

演示如何使用强大的信号处理技术和卷积神经网络一起对ECG信号进行分类。我们还将展示如何从Simulink®模型生成CUDA®代码。金宝app这个例子使用了预先训练好的CNN网络基于小波分析和深度学习的时间序列分类基于时间序列数据的CWT图像对心电信号进行分类的小波工具箱的例子。有关训练的信息，请参见使用小波分析和深度学习分类时间序列(小波工具箱)。

生成用于激光雷达语义分割的深度学习网络的CUDA®MEX代码。本例使用预训练的SqueezeSegV2[1]网络，该网络可以分割属于三类(背景、汽车和卡车)的有组织的激光雷达点云。有关网络训练过程的信息，请参见使用SqueezeSegV2深度学习网络的激光雷达点云分割。生成的MEX代码以点云作为输入，并通过使用SqueezeSegV2网络的DAGNetwork对象对点云进行预测。

通过使用NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包，为深度学习网络生成CUDA®代码，对视频进行分类，并将生成的代码部署到NVIDIA®Jetson®Xavier板上。金宝app深度学习网络具有卷积和双向长短期记忆(BiLSTM)层。生成的应用程序从指定的视频文件中读取数据作为视频帧序列，并输出一个标签，用于对视频中的活动进行分类。此示例为深度学习工具箱中的“使用深度学习分类视频”示例中训练的网络生成代码。有关更多信息，请参见使用深度学习对视频进行分类。

生成CUDA®MEX用于自定义层的你只看一次(YOLO) v3对象检测器。YOLO v3在YOLO v2的基础上进行了改进，增加了多个尺度的检测，以帮助检测较小的对象。此外，将用于训练的损失函数分为均方误差进行边界盒回归和二元交叉熵进行目标分类，提高检测精度。本例中使用的YOLO v3网络是从计算机视觉工具箱(TM)中的“使用YOLO v3深度学习对象检测”示例中训练出来的。有关更多信息，请参阅使用YOLO v3深度学习的对象检测。

从Simulink®模型开发一个CUDA®应用程序，使用卷积神经网络(金宝appCNN)执行车道和车辆检测。本例以一段交通视频的帧作为输入，输出对应于自我车辆左右车道的两个车道边界，并检测帧内的车辆。本例使用预训练的车道检测网络车道检测与GPU编码器优化GPU编码器工具箱™的例子。有关更多信息，请参见使用GPU编码器优化车道检测。本例还使用了预训练的车辆检测网络使用YOLO v2深度学习的目标检测计算机视觉工具箱™的例子。有关更多信息，请参阅使用YOLO v2深度学习的对象检测(计算机视觉工具箱)。

在NVIDIA®J金宝appetson TX2板上部署Simulink®模型，用于对网络摄像头图像进行分类。这个例子通过使用预先训练好的深度卷积神经网络对网络摄像头中的图像进行实时分类，ResNet-50．本例中的金宝appSimulink模型使用MATLAB®Coder™NVIDIA Jetson和NVIDIA DRIVE平台支持包中的摄像机和显示块，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。

量化深度学习神经网络卷积层中的可学习参数，该神经网络具有剩余连接，并已使用CIFAR-10数据进行图像分类训练。

为SSD车辆检测器和YOLO v2车辆检测器生成CUDA®代码，用于在8位整数中执行推理计算。

使用两个参数评分指标修剪训练神经网络的参数:量级评分[1]和Synaptic Flow评分[2]。