深度学习是机器学习的一个分支,它教计算机做人类自然要做的事情: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,而不依赖预定的方程作为模型。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,使用并行操作的简单元素,并受生物神经系统的启发。深度学习模型通过使用大量标记数据和包含多个层的神经网络结构(通常为包括一些卷积层。
您可以使用GPU编码器™与深度学习工具箱™串联来生成代码,并在使用NVIDIA多个嵌入式平台上部署CNN®或手臂®GPU处理器。深入学习工具箱提供简单的MATLAB®用于创建和互连深层神经网络各层的命令。预训练网络和示例(如图像识别和驾驶员辅助应用程序)的可用性使您能够使用GPU编码器进行深度学习,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。
创建一个系列网络
那Dagnetwork.
那yolov2ObjectDetector
那ssdObjectDetector
, 或者数据链路网络
对象代码生成。
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。
编写示例主函数的基本数据布局注意事项。
了解量化和如何可视化的网络卷积层动态范围的影响。
量化并生成预训练卷积神经网络代码。
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
模拟,并生成使用模块库在Simulink深度学习模型代码。金宝app
构建并部署到NVIDIA GPU板。