このこのでは，深层学习习を用するイメージ分类用途の生成をを行するコードを说说実しを说说ししし说说しCodegen.，MobileNet-V2，Reset，Googlenetなどのイメージイメージイメージを使するするするMex关联数を生成します。

この例では，系列网络オブジェクトによって表された深層学習ネットワークからCUDA®コードを生成する方法を説明します。この例では，系列ネットワークはイメージから車線マーカーの境界を検出して出力できる畳み込みニューラル ネットワークです。

この例では,深層学習を使用する交通標識の検出および認識用途のCUDA®墨西哥人コードを生成する方法を説明します。交通標識の検出および認識は,ドライバーに道路標識についての情報を提供して支援する運転者支援システムのための重要な用途です。

この例では,深層学習を使用するロゴ分類用途のコード生成を説明します。Codegen.コマンドを使用し,LogoNetと呼ばれる系列网络オブジェクトについて予測を実行する墨西哥人関数を生成します。

このこのでは，深层学习を使使用するする検出検出の生成を说明します。当行者は，コンピュータービジョンのは问题问题です歩者はは。さまざまさまざま応応。

このこのでは，深层学习习使使用するイメージセグメンテーションセグメンテーションセグメンテーションセグメンテーションセグメンテーションををししし。Codegen.コマンドコマンド使使用し，イメージイメージ用の深层学习习segnet [1]のdagネットワークオブジェクトについて予测実するmex关节を生成しし。

この例では,GPU编码器™を使用したNVIDIA GPU®での完全畳み込みセマンティックセグメンテーションネットワークの学習および展開について説明します。

このこのでは，深层学习习使使用するイメージセグメンテーションセグメンテーションセグメンテーションセグメンテーションセグメンテーションををししし。Codegen.コマンドを使使して，イメージセグメンテーション用の深层学习ネットワークu-netのdagネットワークオブジェクト予测を実するmex关键词MEX关键词

この例では,ノイズ除去畳み込みニューラルネットワーク(DnCNN[1])を使用して,MATLAB®コードからCUDA®墨西哥人を生成し,グレースケールイメージのノイズを除去する方法を説明します。ノイズ除去ネットワークを使用して,ノイズを含むイメージ内のノイズを推定し,それらのノイズを除去してノイズのないイメージを取得できます。

この例では,NVIDIA TensorRT™ライブラリを使用した深層学習アプリケーションのコード生成について説明します。Codegen.コマンドコマンド使使用し，张于をを使てresnet-50イメージ分类ネットワーク予测を実行梅克する生成し.2番目の例は，Codegen.コマンドコマンド使使使て，ロゴ分类ネットワークに张于ををでことででででででででのを実するするするするするするするするするをををするするするするを実するするについてについてについてについてについてについてについてについてについてについてについてについてについて

この例で，你只看一次（Yolo）v2 v2オブジェクト検出器用途のをを明し生成するy v2オブジェクトのネットワークは2つのサブででネットワークされ。特色が続きます。このこの例で，计算机Vision Toolbox™の“YOLO v2意思深層学習を使用したオブジェクト検出“の例で学習させたネットワークのコードを生成します。詳細については,YOLO v2意思深層学習を使用したオブジェクトの検出计算机视觉(工具箱)を参照してください。この例を変更すれば,“事前学习済みのonnx yolo v2オブジェクト検出器材の”の例で计算机视觉工具箱™からからししネットワーク用のcuda®mexを生成できます。详细详细，事前学位済み済みonnx yolo v2オブジェクト検出器材のインポート（电脑视觉工具箱）を参照してください。

この例では，ssdネットワーク（ssdobjectdetectorオブジェクト）使用のcuda®コードを生成し，nvidia®Cudnnライブラリライブラリとrtsortライブラリを活活活するををします.ssdネットワークネットワーク，イメージはの复のをシングルショット検出する，フィードフォワード畳み込みニューラルネットワークネットワークててます.sdネットワークは，2つのサブネットワークもつとことができます。

この例でで，关节cnncodegenを使用して、手臂®马里GPUでの深層学習を使用するイメージ分類アプリケーションのコードを生成する方法を説明します。この例では，MobileNet-V2.DAGネットワークを使用してイメージ分類を実行します。生成コードはコンピュータービジョンおよび機械学習用の臂计算ライブラリを利用します。

この例では，长长记忆（LSTM）ネットワーク用のCUDA®コード生成する方法ををを说说说しししししししますしますますますtimesますますtimes times timestimesererをステップででのををううステップアプリケーションを予测予测し次次アプリケーションをを生しますます次のアプリケーションを生ますますますののを方法について说明し.1つは标准のlstmネットワークネットワーク使をををを使用方法，もう1つは同じlstmネットワークのステートフルな动词利用するこのはは。この例ではです。この例は，繁体装载着たスマートフォン得られられた计のセンサーデータを使使，装饰着のについての予测行います。ユーザーの动词は5つのカテゴリのうちの1つにカテゴリ，ダンス中，ランニング中，着席中，起立中那歩行中です。この例では事前学習済みの LSTM ネットワークを使用します。学習の詳細については、Deep Learning Toolbox™ からの深層学習を使用したシーケンスの分類 (Deep Learning Toolbox)の例を参照してください。

この例では,強力な信号処理手法と畳み込みニューラルネットワークを組み合わせて使用して心电图信号を分類する方法を示します。また,金宝app仿真软件®モデルからCUDA®コードを生成する方法も紹介します。この例では，Wavelet Toolbox™ の "ウェーブレット解析と深層学習を使用した時系列の分類"の例の事前学习済みcnnネットワークネットワーク使使ををて，时系列データのcwtからからイメージを基因ECG信号ををします。学习ののについて，ウェーブレット解析と深层学习をし解析深层学习习使し时系列の分享（小波工具箱）ををして。

この例では，丽达セマンティックセグメンテーションののの习ネットワークのcuda®mexコードを生成する方法をを示し例で，3つのクラス（背景那车那卡车)に属しているオーガナイズド激光雷达点群をセグメント化することができる,事前学習済みのSqueezeSegV2[1]ネットワークが使用されます。ネットワークの学習手順については,激光雷达点云的语义分割使用SqueezeSegV2深入学习网络(激光雷达工具箱)を参照してください。生成された墨西哥人コードは,入力としてひとまとまりの点群を取り,SqueezeSegV2ネットワーク用のDagnetwork.オブジェクトオブジェクト使用して点群に対する予测予测実実行。

この例では,GPU编码器™支持NV金宝appIDIA GPUを包使用して,ビデオを分類する深層学習ネットワーク用のCUDA®コードを生成し,その生成コードをNVIDIA®杰森Xavierボードに展開する方法を示します。この深層学習ネットワークには,畳み込み層と双方向長短期記憶(BiLSTM)層の両方が含まれています。生成されたアプリケーションは,ビデオフレームのシーケンスとして指定されたビデオファイルからデータを読み取り,そのビデオ内のアクティビティを分類するラベルを出力します。この例では,深度学习工具箱(TM)の“深層学習を使用したビデオの分類”の例で学習させたネットワーク用のコードを生成します。詳細は,深層学習を使用したビデオの分類(深度学习工具箱)を参照してください。

この例では，カスタム层を使使使た你只看一次（yolo）v3オブジェクト検出器用途のををますますますますはははは。

この例では，车线検出と车両検出実行するsi金宝appmulink®モデルモデル，畳み込み畳み込みネットワーク（cnn）ををしてcuda®アプリケーションを开発するますます说例でますこのででますますますますでますビデオビデオビデオビデオをとして受け取り，自车のの车线に対応する2つの车线境界线を出力し，フレーム内の车辆を検出ますしこの例で，gpu编码器工具箱™の“gpu编码器によりにより最适れた车线検出”の例の事前学習済み車線検出ネットワークを使用します。詳細は,GPU编码器により最適化された車線検出を参照してください。この例では,计算机视觉工具箱™の“yolo v2深层学习を使し事前検出”ののの事前习习车线検出検出ネットワーク使使し。详细详细，yolo v2深层学习习使しオブジェクトの（计算机视觉工具箱）ををしてください。

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模型使用来自NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包中的摄像机和显示块来从网络摄像头捕获实时视讯流，并金宝app在连接到Jetson平台的监视器上显示预测结果。