执行代码生成一个图像分类应用程序,使用深度学习。它使用codegen命令来生成一个墨西哥人函数运行预测通过使用图像分类网络如MobileNet-v2 ResNet, GoogLeNet。

生成CUDA®墨西哥人对于一个训练有素的变分autoencoder (VAE)网络。这个例子说明了:

训练和部署一个完全回旋的语义分割网络使用GPU的NVIDIA GPU®编码器™。

代码生成深度学习应用程序通过使用NVIDIA TensorRT™图书馆。它使用codegen命令来生成一个墨西哥人文件执行预测使用TensorRT ResNet-50图像分类网络。第二个示例演示了使用codegen命令来生成一个墨西哥人文件执行8位整数使用TensorRT标志分类网络预测。

生成CUDA®墨西哥人对你只看一次(YOLO)意思v2对象探测器。YOLO v2意思对象检测网络由两个子网。一个特征提取网络之后,检测网络。这个示例中生成代码的网络培训对象检测使用YOLO v2意思从计算机视觉的工具箱™深度学习的例子。有关更多信息,请参见使用YOLO v2意思对象检测深度学习。您可以修改这个示例生成CUDA®墨西哥人的网络进口进口Pretrained ONNX YOLO v2意思从计算机视觉的工具箱™对象探测器的例子。有关更多信息,请参见进口Pretrained ONNX YOLO v2意思对象探测器。

生成SSD的CUDA®代码网络(ssdObjectDetector对象)和利用NVIDIA®cuDNN和TensorRT库。SSD网络基于前馈卷积神经网络检测图像中的多个对象在一个镜头。SSD网络可以被认为是有两个子网。特征提取的网络,其次是一个检测网络。

使用cnncodegen函数为一个图像分类应用程序来生成代码,使用深度学习在手臂®马里gpu。例子使用MobileNet-v2 DAG网络进行图像分类。生成的代码利用手臂的计算对计算机视觉和机器学习库。

演示如何生成CUDA®代码很长一段短期记忆(LSTM)网络。示例应用程序生成一个墨西哥人,使得预测输入timeseries的每一步。演示了两种方法:一种方法使用标准LSTM网络,和一种方法利用相同的LSTM网络的有状态的行为。这个示例使用加速度计传感器数据的智能手机进行了身体,使预测使用者的活动。用户动作分为五类,即跳舞、跑步,坐着,站着,和散步。这个例子使用一个pretrained LSTM网络。有关培训的更多信息,请参见序列序列分类使用深度学习深度学习工具箱™的例子。

演示了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CUDA®代码可以从模型生成®模型。金宝app下面的例子使用了pretrained CNN网络的时间序列分类使用小波分析和深度学习小波工具箱™对ECG信号进行分类的例子基于图像变换的时间序列数据。在培训的更多信息,请参阅分类时间序列使用小波分析和深度学习(小波工具箱)。

生成CUDA®墨西哥人代码为激光雷达深度学习网络的语义分割。这个示例使用pretrained SqueezeSegV2[1]网络能段组织激光雷达点云属于三个类(背景、汽车和卡车)。信息在网络的训练过程,看到激光雷达点云分割使用SqueezeSegV2深度学习网络。生成的墨西哥人代码需要点云作为输入,并对点云执行预测使用DAGNetwork SqueezeSegV2网络对象。

生成CUDA®代码深入学习网络将视频和部署生成的代码在NVIDIA®杰森®Xavier董事会通过使用MATLAB®编码器™为NVIDIA杰森和NVIDIA驱动平台支持包。金宝app深入学习网络卷积和双向短期记忆(BiLSTM)层。生成的应用程序读取数据从一个指定视频文件的视频帧序列,输出一个标签,分类活动视频。这个示例中生成代码分类网络训练的视频使用深度学习工具箱™深度学习的例子。有关更多信息,请参见使用深度学习视频进行分类。

生成CUDA®墨西哥人对你只看一次(YOLO)意思v3对象探测器使用自定义层。YOLO v3改善在YOLO v2意思意思通过添加检测在多个尺度来帮助检测更小的物体。此外,损失函数用于培训分为均方误差为对象边界框回归和二叉分类来帮助提高检测精度。YOLO v3意思网络使用在这个例子中被训练使用YOLO v3意思从对象检测深度学习在计算机视觉的工具箱(TM)。有关更多信息,请参见使用YOLO v3意思对象检测深度学习。

开发一个CUDA®应用程序从一个仿真软件®模型执行巷和车辆使用卷积神经金宝app网络(CNN)检测。这个例子以交通视频的帧作为输入,输出两个车道边界对应的左和右车道自我车辆,和检测车辆的框架。下面的例子使用了pretrained车道检测网络的车道检测和GPU编码器优化GPU编码器工具箱™的例子。有关更多信息,请参见车道检测和GPU编码器优化。这个示例还使用pretrained车辆检测的网络对象检测使用YOLO v2意思深入学习计算机视觉的工具箱™的例子。有关更多信息,请参见使用YOLO v2意思对象检测深度学习计算机视觉(工具箱)。

部署一个仿真软件在金宝appNVIDIA®®模型杰森TX2摄像头图像分类。这个例子将从摄像头实时图像通过使用pretrained深卷积神经网络,ResNet-50。仿真软件金宝app模型的示例使用MATLAB®的相机和显示块编码器™为NVIDIA杰森和NVIDIA驱动平台支持包从摄像头捕捉视频直播,预测结果显示在监视器连接到杰森的平台上。金宝app

可学的参数进行量化在卷积层残余的深度学习神经网络连接和与CIFAR-10数据已经训练图像分类。

生成SSD的CUDA®代码车辆检测器和YOLO v2意思车辆探测器执行推理计算在8位整数。

修剪的参数训练神经网络使用两个参数得分指标:分数级[1][2]和突触流分数。