深度学习是机器学习的一个分支,它教会计算机做人类与生俱来的事情:从经验中学习。学习算法使用计算方法直接从数据中“学习”信息,而不依赖于预先确定的方程作为模型。深度学习使用卷积神经网络(cnn)直接从图像中学习数据的有用表示。神经网络结合了多个非线性处理层,使用简单的元素并行操作,并受到生物神经系统的启发。深度学习模型是通过使用包含许多层的大量标记数据和神经网络架构来训练的,通常包括一些卷积层。
您可以将GPU Coder™与深度学习工具箱™结合使用,在多个使用NVIDIA的嵌入式平台上生成代码并部署CNN®或手臂®GPU处理器。深度学习工具箱提供了简单的MATLAB®用于创建和互连深层神经网络层的命令。预先训练的网络和示例(如图像识别和驾驶辅助应用程序)的可用性使您能够使用GPU Coder进行深度学习,而无需神经网络、深度学习或高级计算机视觉算法方面的专家知识。
创建一个SeriesNetwork
,DAGNetwork
,yolov2ObjectDetector
,ssdObjectDetector
,或dlnetwork
对象用于代码生成。
通过使用cuDNN库生成预训练卷积神经网络的代码。
通过使用TensorRT库生成预训练卷积神经网络的代码。
从深度学习网络生成用于预测的c++代码,目标是ARM Mali GPU处理器。
对深度学习网络参数进行邮编生成更新。
编写示例主函数的基本数据布局注意事项。
了解量化的影响,以及如何可视化网络卷积层的动态范围。
量化并生成预训练卷积神经网络的代码。
这个例子展示了如何从深度学习网络生成CUDA®代码,用a表示SeriesNetwork
对象。
本示例展示了如何为使用深度学习的交通标志检测和识别应用程序生成CUDA®MEX代码。
这个例子展示了一个使用深度学习的logo分类应用程序的代码生成。
这个例子展示了一个使用深度学习的图像分割应用程序的代码生成。
这个例子展示了一个使用深度学习的图像分割应用程序的代码生成。
这个例子展示了如何从MATLAB代码生成CUDA®MEX,并使用去噪卷积神经网络(DnCNN[1])去噪灰度图像。
使用MATLAB函数块在Simulink中模拟和生成深度学习模型的代码。金宝app
使用库块在Simulink中模拟和生成深度学习模型的代码。金宝app
构建并部署到NVIDIA GPU板。