主要内容
量化
将层的权重、偏差和激活量化为精度降低的缩放整数数据类型
使用深度学习工具箱™ 连同深度学习工具箱模型量化库金宝app支持包，通过量化层的权重、偏差和激活以降低精度缩放整数数据类型，减少深度神经网络的内存占用和计算需求。然后可以生成C/C++，CUDA®，或来自这些量化网络的HDL代码。
应用程序
| 深度网络量化器 | 将深度神经网络量化为8位比例整数数据类型 |
主题
GPU目标量化
量化深度学习网络的代码生成（GPU编码器）
对预训练卷积神经网络进行量化并生成代码。
该示例显示了如何量化深度学习神经网络卷积层中的可学习参数，该网络具有剩余连接，并已使用CIFAR-10数据进行图像分类训练。
这个例子展示了如何为SSD车辆检测器和YOLO v2车辆检测器生成CUDA®代码，以8位整数执行推理计算。
FPGA目标量化
用于FPGA部署的量化网络（深度学习HDL工具箱）
这个例子展示了如何量化神经网络卷积层中的可学习参数，并验证量化后的网络。
使用量化DAG网络在FPGA上对图像进行分类（深度学习HDL工具箱）
在本例中，您将使用深度学习HDL工具箱™ 部署量化深卷积神经网络并对图像进行分类。
基于量化GoogLeNet网络的FPGA图像分类（深度学习HDL工具箱）
此示例演示如何使用深度学习HDL工具箱™ 部署量化GoogleNet网络对图像进行分类。
CPU目标量化
量化深度学习网络的代码生成（MATLAB编码器）
对预训练卷积神经网络进行量化并生成代码。
基于Raspberry-Pi的量化深度学习网络代码生成（MATLAB编码器）
为深度学习网络生成代码，以8位整数执行推理计算。
特色实例
您还可以从以下列表中选择网站：
