格式化神经数据,高效的GPU训练或模拟
nndata2gpu (x)
[Y, Q, N, TS] = nndata2gpu (X)
nndata2gpu (X,精度)
nndata2gpu
需要并行计算工具箱™。
nndata2gpu (x)
以一个N
——- - - - - -问
矩阵X
的问
N
-element列向量,以一种形式返回,用于当前GPU设备上的神经网络训练和仿真。
的N
——- - - - - -问
矩阵变成了QQ
——- - - - - -N
gpuArray哪里QQ
是问
四舍五入到下一个32的倍数额外的行(Q + 1): QQ
充满了南
值。gpuArray具有相同的精度(“单一”
或“双”
),X
.
[Y, Q, N, TS] = nndata2gpu (X)
也可以采取米
——- - - - - -TS
单元阵列的米
信号在TS
时间的步骤。的每个元素X{我,ts}
应该是一个倪
——- - - - - -问
矩阵的问
倪
-元素向量,表示我
时间步长的信号向量ts
,在所有问
时间序列。在本例中,gpuArrayY
返回的是QQ
——- - - - - -(和(Ni) * TS)
.维倪
,问
,TS
还可以返回,以便他们可以使用gpu2nndata
执行反向格式化。
nndata2gpu (X,精度)
指定gpuArray的默认精度,可以为“双”
或“单一”
.
将矩阵复制到GPU并返回:
X = rand(5,6) [y,q] = nndata2gpu(X) x2 = gpu2nndata(y,q)
复制神经网络单元阵列数据,表示4个时间序列,每个时间序列由2元和3元信号的5个时间步组成:
X = nndata([2;3],4,5) [y,q,n,ts] = nndata2gpu(X) x2 = gpu2nndata(y,q,n,ts)