这个例子演示了一个使用深度学习的图像分类应用程序的代码生成。它使用codegen命令生成一个MEX函数，该函数使用流行的图像分类网络(如AlexNet、ResNet和GoogLeNet)运行预测。

这个例子展示了如何将为深度学习网络生成的CUDA®代码集成到Simulink®中。金宝app虽然Simulink块不支持GPU Coder™金宝app，但您仍然可以通过使用GPU金宝app Coder生成动态链接库(dll)，然后使用遗留代码工具将其作为s函数块集成到Simulink中，从而在Simulink中使用GPU的计算能力。以GPU Coder的车道检测为例说明了这一概念。原始示例使用带有OpenCV函数的c++文件来读取帧、绘制通道，并在视频输出上叠加帧速率信息。但是，本例使用计算机视觉系统工具箱中的Simulink金宝app块来执行相同的操作。

这个例子展示了如何从为YOLO体系结构创建的SeriesNetwork对象生成CUDA®代码。YOLO是一种物体检测网络，可以对图像帧中的物体进行分类，并对这些物体的位置进行[1]。

这个例子展示了如何从一个由SeriesNetwork对象表示的深度学习网络生成CUDA®代码。本例中的SeriesNetwork是一个卷积神经网络，可以从图像中检测和输出车道标记边界。

本示例演示如何为使用深度学习的交通标志检测和识别应用程序生成CUDA®MEX代码。交通标志检测与识别是辅助驾驶系统的重要应用，为驾驶员提供有关道路标志的信息。

这个例子演示了一个使用深度学习的logo分类应用程序的代码生成。它使用codegen命令生成一个MEX函数，该函数在名为LogoNet的SeriesNetwork对象上运行预测。

这个例子演示了使用深度学习的行人检测应用程序的代码生成。行人检测是计算机视觉中的一个关键问题，在自动驾驶、监控、机器人等领域都有广泛的应用。

这个例子演示了一个使用深度学习的图像分割应用程序的代码生成。它使用codegen命令生成在DAG网络对象上运行预测的MEX函数，用于SegNet[1]，这是一种用于图像分割的流行深度学习网络。

这个例子展示了如何从MATLAB代码生成CUDA®MEX，并使用去噪卷积神经网络(DnCNN[1])去噪灰度图像。去噪网络可以用于估计噪声图像中的噪声，然后去除噪声得到去噪图像。

本示例演示了使用NVIDIA TensorRT™库为深度学习应用程序生成代码。它使用codegen命令生成一个MEX文件，使用TensorRT使用ResNet-50图像分类网络运行预测。第二个示例演示了的用法codegen命令生成一个MEX文件，该文件使用TensorRT为标识分类网络运行8位整数预测。

此示例演示了批处理大小大于1的代码生成。这个演示包含两个示例，首先是使用cnncodegen生成以一批图像作为输入的代码。第二个示例使用创建MEX文件codegen并将一批图像作为输入传递。