执行使用深度学习的图像分类应用程序的代码生成。它使用了Codegen.命令生成MEX函数，通过使用MobileNet-V2，Reset和Googlenet等图像分类网络运行预测。

为训练的变分自动编码器(VAE)网络生成CUDA®MEX。这个例子说明了:

从深度学习网络生成CUDA®代码，由A表示系列网络目的。在该示例中，串联网络是一种卷积神经网络，可以从图像中检测和输出车道标记边界。

为使用深度学习的流量标志检测和识别应用程序生成CUDA®MEX代码。交通标志检测和识别是驾驶员援助系统的重要应用，帮助和向驾驶员提供关于道路标志的信息。

使用深度学习的标识分类应用程序的代码生成。它使用了Codegen.命令生成对a执行预测的MEX函数系列网络名为logoNet的对象。

用于使用深度学习的图像分段应用程序的代码生成。它使用了Codegen.命令生成MEX函数，该函数对SEGNET [1]的DAG网络对象执行预测，用于图像分割的深度学习网络。

使用GPU Coder™在NVIDIA®GPU上训练和部署一个完全卷积的语义分割网络。

用于使用深度学习的图像分段应用程序的代码生成。它使用了Codegen.命令生成一个MEX函数，该函数对用于U-Net(用于图像分割的深度学习网络)的DAG Network对象执行预测。

通过使用Denoising卷积神经网络（DNCNN [1]）生成来自MATLAB®代码的CUDA®MEX并使用灰度图像。您可以使用去噪网络在噪声图像中估计噪声，然后将其删除以获得去噪图像。

使用NVIDIA Tensorrt™库进行深度学习应用程序的代码。它使用了Codegen.命令生成MEX文件，使用TensorRT使用ResNet-50图像分类网络进行预测。第二个例子演示了Codegen.命令生成MEX文件，通过使用TensorR获取徽标分类网络执行8位整数预测。

为您生成CUDA®MEX，只需看一次（YOLO）V2对象探测器。YOLO V2对象检测网络由两个子网组成。特征提取网络，后跟检测网络。此示例生成用于培训的网络的代码使用YOLO V2深度学习的对象检测来自计算机Vision Toolbox™的示例。有关更多信息，请参阅使用YOLO V2 DEAVE学习（计算机视觉工具箱）对象检测。您可以修改此示例以生成导入中的网络的CUDA®MEX导入预折叠onnx yolo v2对象探测器来自计算机Vision Toolbox™的示例。有关更多信息，请参阅导入预折叠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，其在单个镜头中检测图像内的多个对象。SSD网络可以被认为具有两个子网。特征提取网络，其次是检测网络。

使用cnncodegen用于生成代码的图像分类应用程序，该应用程序在ARM®MaliGPU上使用深度学习。该示例使用MobileNet-V2.DAG网络执行图像分类。生成的代码利用了用于计算机视觉和机器学习的ARM计算库。

演示如何为长短期内存（LSTM）网络生成CUDA®代码。该示例生成MEX应用程序，该应用程序在输入时间序列的每个步骤中进行预测。演示了两种方法：使用标准LSTM网络的方法，以及利用相同LSTM网络的状态行为的方法。该示例使用来自身体携带的智能手机的加速度计传感器数据，并对佩戴者的活动进行预测。用户移动被分类为五个类别中的一个，即跳舞，跑步，坐着，站立和行走。该示例使用佩带的LSTM网络。有关培训的更多信息，请参阅深度学习工具箱™的深度学习（深学习工具箱）示例的序列分类。

演示如何使用强大的信号处理技术和卷积神经网络一起对心电信号进行分类。我们还将展示如何从Simulink®模型生成CUDA®代码。金宝app这个例子使用预先训练的CNN网络使用小波分析和深度学习分类时间序列小波工具箱™的例子，以分类心电信号的图像从CWT的时间序列数据。有关培训的信息，请参见使用小波分析和深度学习对时间序列进行分类(小波工具箱)。

为LIDAR语义分割生成用于深入学习网络的CUDA®MEX代码。此示例使用佩带的挤压ZeeSGV2 [1]网络，该网络可以分割属于三个类（背景，汽车和卡车）的组织的激光乐节云。有关网络培训程序的信息，请参阅使用SqueezEseGV2深度学习网络的LIDAR点云分割。生成的MEX代码将点云作为输入，通过使用挤压ZEV2网络的Dagnetwork对象对点云执行预测。

为深度学习网络生成CUDA®代码，用于将视频和NVIDIA Jetson和Nvidia Drive平台的Matlab®Coder™支持包分类为NVIDIA®JetsonXavier板将生成的代码部署到NVIDIA®JetsonXavier板上。金宝app深度学习网络具有卷积和双向长期内存（BILSTM）层。生成的应用程序从指定的视频文件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。此示例生成用于培训的网络的代码使用深度学习对视频进行分类来自深度学习工具箱（TM）的示例。有关更多信息，请参阅使用深度学习（深度学习工具箱）对视频进行分类。

生成CUDA®MEX为一个你只看一次(YOLO) v3对象检测器与自定义层。YOLO v3在YOLO v2的基础上进行了改进，增加了多尺度的检测，帮助检测更小的对象。此外，将用于训练的损失函数分离为边界盒回归的均方误差和用于目标分类的二叉交叉熵，有助于提高检测精度。本示例使用计算机视觉工具箱(TM)中的目标检测使用YOLO v3深度学习示例培训的YOLO v3网络。更多信息，请参见使用YOLO v3深度学习的对象检测。

从Simulink®模型开发一个CUDA®应用程序，使用卷积神经网络(金宝appCNN)执行车道和车辆检测。本例以交通视频的帧作为输入，输出两个车道边界，分别对应自我车辆的左右车道，并检测帧内的车辆。本例使用预先训练的车道检测网络基于GPU编码器的车道检测优化GPU编码器工具箱™示例。有关更多信息，请参阅使用GPU编码器优化的车道检测。该示例还使用预磨料的车辆检测网络使用YOLO V2深度学习的对象检测计算机Vision Toolbox™的示例。有关更多信息，请参阅使用YOLO V2 DEAVE学习（计算机视觉工具箱）对象检测。

在NVIDIA®J金宝appetSonTX2板上部署Simulink®模型，用于对网络摄像头图像进行分类。此示例通过使用预制的深卷积神经网络实时从网络摄像头中分类图像，ResNet-50．本例中的金宝appSimulink模型使用了用于NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包中的摄像机和显示块，从网络摄像机捕捉实时视频流，金宝app并将预测结果显示在连接到Jetson平台的监视器上。