为使用深度学习的图像分类应用程序执行代码生成。它使用codegen命令生成一个MEX函数，该函数通过使用MobileNet-v2、ResNet和GoogLeNet等图像分类网络运行预测。

为经过培训的变分自动编码器（VAE）网络生成CUDA®MEX。该示例说明：

使用GPU编码器在NVIDIA®GPU上培训和部署完全卷积语义分段网络™.

使用NVIDIA TensorRT™库为深度学习应用程序生成代码。使用codegen命令生成MEX文件，使用TensorRT对ResNet-50图像分类网络进行预测。第二个示例演示如何使用codegen命令生成一个MEX文件，该文件通过使用TensorRT对标识分类网络执行8位整数预测。

生成CUDA®MEX一个你只看一次(YOLO) v2对象检测器。YOLO v2对象检测网络由两个子网组成。特征提取网络，然后是检测网络。此示例为计算机视觉工具箱™中使用YOLO v2进行目标检测的深度学习示例中训练的网络生成代码。更多信息，请参见使用YOLO v2深度学习进行对象检测。您可以修改此示例，为从计算机视觉工具箱™导入预训练ONNX YOLO v2对象检测器示例中的网络生成CUDA®MEX。有关更多信息，请参见导入预培训的ONNX YOLO v2对象检测器。

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，可以在一次拍摄中检测图像中的多个目标。SSD网络可以认为有两个子网络。首先是特征提取网络，然后是检测网络。

使用cnncodegen函数生成图像分类应用程序的代码，该应用程序在ARM®Mali gpu上使用深度学习。本例使用MobileNet-v2 DAG网络进行图像分类。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。

演示如何为长短期记忆(LSTM)网络生成CUDA®代码。该示例生成一个MEX应用程序，它对输入时间序列的每个步骤进行预测。演示了两种方法:一种使用标准LSTM网络的方法，一种利用同一LSTM网络的有状态行为的方法。这个例子使用了来自随身携带的智能手机的加速度传感器数据，并对佩戴者的活动进行预测。用户的动作分为五类，分别是跳舞、跑步、坐着、站着和走路。本例使用了一个预先训练的LSTM网络。有关训练的更多信息，请参阅深度学习工具箱™中的使用深度学习的序列到序列分类示例。

演示如何使用强大的信号处理技术和卷积神经网络对ECG信号进行分类。我们还将展示如何从Simulink®模型生成CUDA®代码。此示例使用来自金宝app利用小波分析和深度学习对时间序列进行分类小波工具箱示例™ 根据时间序列数据的CWT图像对ECG信号进行分类。有关培训的信息，请参见使用小波分析和深度学习（小波工具箱）对时间序列进行分类。

为激光雷达语义分割的深度学习网络生成CUDA®MEX代码。本例使用预先训练过的SqueezeSegV2[1]网络，该网络可以分割属于三类(背景、汽车和卡车)的激光雷达点云。有关网络训练过程的信息，请参见使用SqueezeSegV2深度学习网络的激光雷达点云分割。生成的MEX代码以点云作为输入，并通过使用用于SqueezeSegV2网络的DAGNetwork对象在点云上执行预测。

使用MATLAB®Coder™支持包为NVIDIA Jetson和NVIDIA DRIVE平台生成CUDA®代码，用于深度学习网络进行视频分类，并将生成的代码部署到NVIDIA®Jetson®Xavier板上。金宝app深度学习网络具有卷积和双向长短期记忆(BiLSTM)两层。生成的应用程序从指定的视频文件中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。此示例为来自深度学习工具箱™的使用深度学习分类视频示例中训练的网络生成代码。有关更多信息，请参见使用深度学习分类视频。

为具有自定义图层的you-only look once（YOLO）v3对象检测器生成CUDA®MEX。YOLO v3在YOLO v2的基础上进行了改进，增加了多尺度的检测，以帮助检测较小的对象。此外，将用于训练的损失函数分离为用于包围盒回归的均方误差和用于目标分类的二元交叉熵，以帮助提高检测精度。本例中使用的YOLO v3网络是通过使用计算机视觉工具箱（TM）中的YOLO v3深度学习示例进行对象检测而得到的。有关更多信息，请参阅使用YOLO v3深度学习进行对象检测。

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用GPU编码器优化车道检测GPU编码器工具箱™的示例。有关更多信息，请参见使用GPU编码器优化的车道检测。本例还使用了预先训练的车辆检测网络使用YOLO v2进行对象检测计算机视觉工具箱的示例™。有关更多信息，请参见使用YOLO v2深度学习的对象检测(计算机视觉工具箱)。

在NVIDIA®J金宝appetson TX2板上部署Simulink®模型，用于对网络摄像头图像进行分类。本例使用预先训练的深度卷积神经网络，对网络摄像头中的图像进行实时分类，ResNet-50. 示例中的金宝appSimulink模型使用MATLAB®编码器中的摄像头和显示块™ NVIDIA Jetson和NVIDIA DRIVE平台的支持包，用于从网络摄像头捕获实时视频流，并在金宝app连接到Jetson平台的监视器上显示预测结果。

量化具有残差连接的深度学习神经网络卷积层中的可学习参数，使用CIFAR-10数据进行图像分类训练。

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。

使用两个参数得分指标修剪训练神经网络的参数：幅值得分[1]和突触流量得分[2]。