深度学习是机器学习的一个分支,它教会计算机做人类天生擅长的事情: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)直接从图像中学习有用的数据表示。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大量标记数据和神经网络架构来训练的,这些架构包含许多层,通常包括一些卷积层。
您可以使用GPU编码器™与深度学习工具箱™一起生成代码,并在使用NVIDIA的多个嵌入式平台上部署CNN®或手臂®GPU处理器。深度学习工具箱提供了简单的MATLAB®用于创建和连接深层神经网络层的命令。预先训练过的网络和示例(如图像识别和驾驶辅助应用程序)的可用性使您可以使用GPU编码器进行深度学习,而无需掌握神经网络、深度学习或高级计算机视觉算法的专家知识。
创建一个SeriesNetwork
,DAGNetwork
,yolov2ObjectDetector
,ssdObjectDetector
,或dlnetwork
对象,用于生成代码。
使用cuDNN库生成预训练卷积神经网络的代码。
使用TensorRT库生成预训练卷积神经网络的代码。
针对ARM Mali GPU处理器,生成用于深度学习网络预测的c++代码。
编写示例主要函数时的基本数据布局考虑事项。
了解量化的效果和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。
在Simulink中用MATLAB函数块对深度学习模型进行仿真并生成代码。金宝app
在Simulink中使用库块对深度学习模型进行模拟和生成代码。金宝app
构建和部署到NVIDIA GPU板。