深度学习量化

深度神经网络的量化

了解量化的影响，以及如何可视化网络卷积层的动态范围。

量化深度学习网络的代码生成(GPU编码器)

量化并生成预训练卷积神经网络的代码。

量化深度学习网络的代码生成(MATLAB编码器)

量化并生成预训练卷积神经网络的代码。

MATLAB代码生成

从深度网络设计器生成MATLAB代码

生成MATLAB代码，在深度网络设计器中重新创建设计和训练网络。

GPU代码生成

GPU编码器的深度学习(GPU编码器)

为深度学习神经网络生成CUDA代码

用于执行车道和车辆检测的深度学习Simulink模型的代码生成金宝app(GPU编码器)

本示例展示了如何从Simulink®模型开发CUDA®应用程序，该应用程序使用卷积神经网络(CNN)执行车道和车辆检测。金宝app

使用变分自动编码器在NVIDIA GPU上生成数字图像(GPU编码器)

这个例子展示了如何为训练好的变分自编码器(VAE)网络生成CUDA®MEX。

使用YOLO v3深度学习进行目标检测的代码生成

这个例子展示了如何生成CUDA®MEX一个你只看一次(YOLO) v3对象检测器自定义层。

用于心电信号分类的深度学习Simulink模型的代码生成金宝app(GPU编码器)

这个例子演示了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。

用于深度学习网络的代码生成

这个例子展示了如何为一个使用深度学习的图像分类应用程序执行代码生成。

序列到序列LSTM网络的代码生成

本示例演示如何为长短期记忆(LSTM)网络生成CUDA®代码。

ARM Mali GPU的深度学习预测

方法的使用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。

利用小波分析和深度学习在NVIDIA Jetson上部署信号分类器

该示例展示了如何生成和部署一个CUDA®可执行文件，该可执行文件使用连续小波变换(CWT)和预训练的卷积神经网络(CNN)提取的特征对人体心电图(ECG)信号进行分类。

使用YOLO v2进行目标检测的代码生成

这个例子展示了如何为你只看一次(YOLO) v2对象检测器生成CUDA®MEX。

车道检测与GPU编码器优化

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。

基于NVIDIA TensorRT的深度学习预测

本示例展示了通过使用NVIDIA TensorRT™库为深度学习应用程序生成的代码。

交通标志检测与识别

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。

标志识别网络

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。

深度神经网络去噪的代码生成

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。

语义分割网络的代码生成

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。

训练和部署用于语义分割的全卷积网络

这个例子展示了如何使用GPU Coder™在NVIDIA®GPU上训练和部署一个完全卷积的语义分割网络。

基于U-net的语义分割网络代码生成

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。

CPU代码生成

基于ARM目标的深度学习代码生成

本示例展示了如何在不使用硬件支持包的情况下，在基于ARM®的设备上生成和部署用于预测的代码。金宝app

基于ARM计算的深度学习预测

这个例子展示了如何使用codegen为在ARM®处理器上使用深度学习的徽标分类应用程序生成代码。

基于Intel目标的不同批处理大小的深度学习代码生成

方法的使用codegen命令为在英特尔®处理器上使用深度学习的图像分类应用程序生成代码。

在Intel cpu上使用变分自编码器生成数字图像(MATLAB编码器)

为训练好的VAE dlnetwork生成手绘数字。

使用YOLO v2和Intel mml - dnn生成目标检测的c++代码

这个例子展示了如何在Intel®处理器上为YOLO v2对象检测网络生成c++代码。

在树莓派上使用小波和深度学习部署信号分类器

这个例子展示了使用连续小波变换(CWT)和深度卷积神经网络(CNN)对人体心电图(ECG)信号进行分类的工作流程。

在树莓派上部署信号分割深度网络

生成一个MEX函数和一个独立的可执行文件，在树莓派™上执行波形分割。

MobileNet-v2网络在树莓派上的代码生成和部署

这个例子展示了如何生成和部署使用MobileNet-v2预训练网络进行对象预测的c++代码。

基于U-Net的Intel cpu语义分割代码生成

在Intel cpu上使用深度学习网络U-Net生成一个图像分割的MEX函数。

ARM®Neon目标上使用U-Net的语义分割应用代码生成

通过在ARM目标上使用深度学习网络U-Net生成一个执行图像分割的静态库。

树莓派上LSTM网络的代码生成

为预训练的长短期记忆网络生成代码，以预测机器的剩余使用寿命(RUI)。

基于Intel mml - dnn的LSTM网络代码生成

为预训练的LSTM网络生成代码，对输入时间序列的每一步进行预测。

交叉编译ARM Neon目标的深度学习代码

在主机上生成库或可执行代码，以便部署到ARM硬件目标上。

树莓派上量化深度学习网络的代码生成(MATLAB编码器)

为深度学习网络生成代码，在8位整数中执行推理计算。

生成使用深度学习的序列到序列回归的通用C/ c++代码

为训练好的CNN生成不依赖于任何第三方库的C/ c++代码。

为代码生成加载预训练的网络(MATLAB编码器)

创建一个SeriesNetwork，DAGNetwork，yolov2ObjectDetector，ssdObjectDetector,或dlnetwork对象用于代码生成。

深度学习与MATLAB编码器(MATLAB编码器)

为深度学习神经网络生成c++代码(需要深度学习工具箱)