为使用深度学习的图像分类应用程序执行代码生成。它使用了Codegen.命令，生成MEX函数，该函数使用MobileNet-v2、ResNet和GoogLeNet等图像分类网络运行预测。

为经过培训的变分自动编码器（VAE）网络生成CUDA®MEX。该示例说明：

从深度学习网络，由代表生成代码CUDA®系列网络对象。在本例中，序列网络是一个卷积神经网络，可以从图像中检测和输出车道标记的边界。

生成CUDA®MEX代码的交通标志检测和识别应用程序，使用深度学习。交通标志检测与识别是驾驶员辅助系统的重要应用，为驾驶员提供有关道路标志的信息。

使用深度学习的徽标分类应用程序的代码生成Codegen.命令生成一个MEX函数，该函数对系列网络对象调用LogoNet。

代码生成使用深度学习的图像分割应用。它使用了Codegen.用于生成MEX函数的命令，该函数对SegNet[1]的DAG网络对象执行预测，SegNet[1]是用于图像分割的深度学习网络。

使用GPU编码器在NVIDIA®GPU上培训和部署完全卷积语义分段网络™.

代码生成使用深度学习的图像分割应用。它使用了Codegen.用于生成MEX函数的命令，该函数对U-Net（用于图像分割的深度学习网络）的DAG网络对象执行预测。

从MATLAB®代码生成CUDA®MEX，并使用去噪卷积神经网络（DnCNN[1]）对灰度图像进行去噪。您可以使用去噪网络来估计噪声图像中的噪声，然后将其移除以获得去噪图像。

使用英伟达TySRRT实现深度学习应用的代码生成™ 图书馆它使用Codegen.命令生成MEX文件，以便使用TensorRT使用ResNet-50图像分类网络执行预测。第二个示例演示了Codegen.命令通过使用TensorRT一个标志分类网络，以产生MEX文件执行8位整数预测。

为you-only look once（YOLO）v2对象检测器生成CUDA®MEX。YOLO v2目标检测网络由两个子网络组成。特征提取网络后接检测网络。此示例为在中培训的网络生成代码使用YOLO v2进行对象检测示例来自计算机视觉工具箱™。欲了解更多信息，请参见对象检测使用YOLO V2深度学习（计算机视觉工具箱）。您可以修改这个例子来生成MEXCUDA®在进口网络导入预训练ONNX YLO v2物体检测器示例来自计算机视觉工具箱™。有关更多信息，请参见导入预训练的ONNX YOLO v2对象检测器(计算机视觉工具箱)。

为SSD网络(ssdObjectDetector对象)生成CUDA®代码，并利用NVIDIA®cuDNN和TensorRT库。SSD网络基于前馈卷积神经网络，可以在一次拍摄中检测图像中的多个目标。SSD网络可以认为有两个子网络。首先是特征提取网络，然后是检测网络。

使用cnncodegen函数用于在ARM®Mali gpu上使用深度学习的图像分类应用程序生成代码。示例使用MobileNet-V2DAG网络进行图像的分类。生成的代码利用ARM计算库，用于计算机视觉和机器学习的优势。

演示如何生成长期短期记忆（LSTM）网络代码CUDA®。的示例生成MEX应用程序，它在一个输入的时间序列中的每个步骤使得预测。两种方法表明：使用的方法的标准LSTM网络和方法利用相同LSTM网络的状态行为。本例使用加速度传感器数据从智能电话承载在所述主体和使得在佩戴者的活动预测。用户动作被分成五大类别之一，即跳舞，跑步，坐着，站着，和散步。该示例使用一个预训练LSTM网络。有关培训的详细信息，请参阅序列类别使用Deep学习从深度学习工具箱（深学习工具箱），例如™。

演示如何使用强大的信号处理技术和卷积神经网络对ECG信号进行分类。我们还将展示如何从Simulink®模型生成CUDA®代码。此示例使用来自金宝app分类时间序列的小波分析和深入学习小波工具箱示例™ 根据时间序列数据的CWT图像对ECG信号进行分类。有关培训的信息，请参见使用小波分析和深度学习（小波工具箱）对时间序列进行分类。

产生了深刻的学习网络，激光雷达语义分割MEXCUDA®代码。这个例子使用一个预训练的SqueezeSegV2 [1]网络，可以有组织的段属于三个等级（背景，汽车，和卡车）激光雷达点云。有关该网络的训练过程的信息，请参阅激光雷达点云的分割方法SqueezeSegV2深入学习网络。所生成的代码MEX通过使用DAGNetwork对象为SqueezeSegV2网络需要一个点云作为上的点云输入和执行预测。

使用MATLAB®Coder™支持包为NVIDIA Jetson和NVIDIA DRIVE平台生成CUDA®代码，用于深度学习网络进行视频分类，并将生成的代码部署到NVIDIA®Jetson Xavier板上。金宝app深度学习网络具有卷积和双向长短期记忆(BiLSTM)两层。生成的应用程序从指定的视频文件中读取数据作为视频帧序列，并输出对视频中的活动进行分类的标签。中训练的网络生成代码使用深度学习分类视频例如，从深度学习工具箱（TM）。欲了解更多信息，请参阅使用Deep学习（深学习工具箱）分类影片。

为具有自定义图层的you-only look once（YOLO）v3对象检测器生成CUDA®MEX。YOLO v3在YOLO v2的基础上进行了改进，增加了多尺度的检测，以帮助检测较小的对象。此外，将用于训练的损失函数分离为用于包围盒回归的均方误差和用于目标分类的二元交叉熵，以帮助提高检测精度。本示例使用计算机视觉工具箱（TM）中的YOLO v3深度学习示例，在对象检测中训练YOLO v3网络。有关更多信息，请参阅使用YOLO v3深度学习进行对象检测。

从Simulink®模型开发CUDA®应用程序，该模型使用卷积神经网络金宝app（CNN）执行车道和车辆检测。该示例将交通视频的帧作为输入，输出与ego车辆的左车道和右车道相对应的两个车道边界，并检测帧中的车辆。此示例使用来自的预训练车道检测网络用GPU编码器优化车道检测例如GPU编码器工具箱™的。欲了解更多信息，请参阅车道检测与优化GPU编码器。该实施例还使用从预训练的车辆检测网络使用YOLO v2进行对象检测计算机视觉工具箱的示例™。欲了解更多信息，请参见对象检测使用YOLO V2深度学习（计算机视觉工具箱）。

在NVIDIA®J金宝appetson TX2板上部署Simulink®模型，用于对网络摄像头图像进行分类。本例使用预先训练的深度卷积神经网络，对网络摄像头中的图像进行实时分类，ResNet-50. 示例中的金宝appSimulink模型使用MATLAB®编码器中的摄像头和显示块™ NVIDIA Jetson和NVIDIA DRIVE平台的支持包，用于从网络摄像头捕获实时视频流，并在金宝app连接到Jetson平台的监视器上显示预测结果。