大家好，我的名字是Sarat，今天我将向大家展示如何使用GPU编码器生成CUDA代码，并将其部署到Amazon Web Services上，让一个简单的Web应用程序与生成的代码进行交互。

在开始实际的实现之前，下面是演示的结果。

一个简单的网络应用程序，运行在CUDA可执行文件创建使用GPU编码器，允许用户上传图像，并分类使用一个预先训练的深度学习网络:alexnet。

我可以用这张图显示了从我们的文档页面辣椒，把它上传到服务器，并单击预测摆脱Alexnet输出的分类。

下面是演示的概述。我们正在使用GPU编码器生成CUDA代码。然后，我们将生成的源代码上传到Amazon S3 bucket，并使用Amazon Codedeploy将其部署到EC2实例或虚拟机。

一旦我们对EC2实例的源代码，我们可以建立一个使用NVIDIA CUDA编译器的可执行文件。

我将在几分钟内更详细地解释这些步骤。

首先，我们将使用MATLAB函数来生成CUDA代码。

这是一个MATLAB函数，我已经通过修改我们的GPU编码器的文档了深刻的学习例子写的。你可以找到一个链接到下面这个网页。

在这个函数中，我们使用文件名输入读取图像，对图像进行预处理并将其输入到预先训练好的网络“alexnet”中，然后返回分类输出。

一旦我们创建了一个MATLAB功能，我们可以使用一个单独的脚本生成一个静态库，动态库或可执行。在这种情况下，我们正在创造一个静态库。

此外，我们还使用了packNGo功能打包的依赖关系为“imread”功能。

在这种情况下运行的代码生成命令会给你一个zip文件夹包含所有的依赖关系和文件夹包含生成的代码代码生成。

提取并在Zip文件夹所有文件都复制到代码生成目录。所生成的代码将包含一个模板文件main.cu和对应的头文件。

我们需要修改这些文件，以接受一个文件名作为输入。使得所需的更改主文件后，我们就可以部署生成的代码到云中。

如果你愿意，你也可以将此应用程序使用此主文件现有的代码集成。

移动到工作流程的一部分AWS：

对于本演示中，我使用这个AMI从亚马逊的市场，因为它提供了运行在GPU上生成的代码所需要的所有的CUDA库。

我们也有一个文件交换帖子详细描述了一些步骤。

按照相应的步骤，您可以配置需要这个演示所有AWS组件。

一旦您创建了一个EC2实例和一个S3 bucket，我们就可以将codegen目录上传到S3 bucket了。

我们还需要指定的源代码的源和目标路径的YAML文件。

然后，我们将使用AWS命令行界面上传的文件。

我们已经成功上传文件到Amazon S3。

现在，我们将使用codedeploy到我们的源代码部署到一个EC2实例。

使用带有codedeploy的S3将允许我们维护源代码的版本或修订，并拥有一个持续的部署管道。

假设你已经配置Codedeploy，我们将创建在codedeploy应用部署。

我们将在这里选择S3，输入S3 bucket的路径，然后单击create deployment。

现在，我们在新创建的EC2实例上有一个codegen目录，位于Codedeploy YAML文件中提到的路径中。

我们将使用部署的源代码来生成可执行文件。

为此，我们将更新make文件中源代码的路径并运行它。

然后，我们将使用NVIDIA CUDA编译器从这个静态库生成可执行文件。

您现在有一个CUDA可执行文件在云中的GPU上运行，并允许您使用分类图像alexnet。

通过访问下面的文件交换链接，您可以按照本视频中列出的步骤进行操作。