开始使用CUDA代码生成图像分类网络，如MobileNet-v2，ResNet,GoogLeNet．

用于CUDA代码生成dlnetwork而且dlarray对象。

训练并部署一个完全卷积的语义分割网络到NVIDIA GPU。

生成一个CUDA MEX文件，使用TensorRT执行32位、16位浮点和8位整数预测。

生成CUDA MEX的你只看一次(YOLO) v2对象检测器。

生成单发多箱车辆探测器网络的CUDA代码。

将图像分类应用程序部署到ARM Mali GPU。

演示如何为长短期记忆(LSTM)网络生成CUDA®代码。

为Simulink模型生成CUDA，该模金宝app型使用深度学习对ECG信号进行分类。

为网络生成CUDA MEX，该网络可以分割属于三类的有组织的激光雷达点云。

使用卷积和BiLSTM层的网络对Jetson Xavier上的活动进行分类。

生成CUDA MEX为你只看一次(YOLO) v3对象检测器。

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。本例以一段交通视频的帧作为输入，输出对应于自我车辆左右车道的两个车道边界，并检测帧内的车辆。本例使用预训练的车道检测网络车道检测与GPU编码器优化GPU编码器工具箱™的例子。有关更多信息，请参见使用GPU编码器优化车道检测。本例还使用了预训练的车辆检测网络使用YOLO v2深度学习的目标检测计算机视觉工具箱™的例子。有关更多信息，请参阅使用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。这个例子通过使用预先训练好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．本例中的金宝appSimulink模型使用MATLAB®Coder™NVIDIA Jetson和NVIDIA DRIVE平台支持包中的摄像机和显示块，从网络摄像头捕获实时视频流，并在连接金宝app到Jetson平台的监视器上显示预测结果。

量化残余网络卷积层中的可学习参数并生成CUDA代码。

为SSD和YOLO v2车辆探测器生成CUDA代码，以8位整数执行推理计算。

使用量级评分和突触流评分指标修剪训练神经网络的参数。

生成用于激光雷达语义分割的pointnet++网络的CUDA MEX代码。

为point柱子对象检测器生成CUDA MEX。

使用自定义层为you only look once (YOLO) v4对象检测器生成独立的CUDA®可执行文件。微型YOLO v4网络是YOLO v4网络的轻量级版本，具有更少的网络层。它使用特征金字塔网络作为颈部，并有两个YOLO v4检测头。网络在COCO数据集上进行训练。有关YOLO v4对象检测网络的更多信息，请参阅YOLO v4入门和使用YOLO v4对象检测器检测对象。