工作流程

在典型的卷积神经网络（CNN）工作流程中，您从使用Deep Learning Toolbox™构建CNN体系结构开始，然后与Parallel Computing Toolbox™一起训练网络。或者，您可以导入Convnet已经在大型数据集上进行了培训，并传输了学习的功能。转移学习意味着对一组分类问题进行了培训的CNN，并将其重新训练以对不同的类别进行分类。在这里，CNN的最后几层重新学习。同样，在学习阶段使用并行计算工具箱。您还可以从Caffe或Matconvnet等其他框架中导入训练有素的CNN网络中系列网络目的。

获得训练的网络后，您可以使用GPU CODER™生成C ++或CUDA^®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。生成的代码通过使用您在输入中指定的体系结构，图层和参数来实现CNN系列网络（深度学习工具箱）或者dagnetwork（深度学习工具箱）目的。

代码生成器利用NVIDIA CUDA深神经网络库（CUDNN），NVIDIA TENSORRT™高性能推理库，用于NVIDIA GPU和ARM计算库用于手臂Mali GPU的计算机视觉和机器学习。

生成的代码可以作为源代码，静态或动态库或可执行文件集成到您的项目中，您可以将其部署到各种NVIDIA和ARM MALI GPU平台中。为了对ARM Mali GPU目标进行深入学习，您可以在主机开发计算机上生成代码。然后，要构建并运行可执行程序，将生成的代码移至ARM目标平台。

也可以看看

功能

• Coder.getDeeplearninglayers|代码根|coder.deeplearningconfig

对象

• coder.gpuconfig|Coder.CodeConfig|Coder.embeddedCodeConfig|coder.gpuenvconfig|Coder.CudnnConfig|coder.tensorrtconfig

相关话题

• 预处理的深神经网络（深度学习工具箱）
• 开始转移学习（深度学习工具箱）
• 创建简单的深度学习网络进行分类（深度学习工具箱）
• 金宝app支持的网络，层和类
• 加载预告片的网络以生成代码
• 使用Cudnn的深度学习网络代码生成
• 深度学习网络的代码生成
• 针对ARM MALI GPU的深度学习网络的代码生成