比尔周,MathWorks公司
设计和部署深度学习和计算机视觉应用到嵌入式CPU和GPU的平台,是因为在嵌入式设备中固有的资源约束的挑战。甲MATLAB®基于工作流有利于这些应用程序的设计,并且自动生成的C或代码CUDA®可以部署在诸如杰特森TX2和DRIVE PX板和实现非常快的推断。
该演示说明MATLAB如何支持这一工作流程的各个主要阶段。金宝app与算法设计开始,该算法可以采用增强与传统的计算机视觉技术深度学习网络,并进行测试和MATLAB内验证。接着,将这些网络使用GPU和并行计算支持MATLAB无论是在桌面,群集或云训练。金宝app最后,编码器GPU™从MATLAB算法,然后将其交叉编译和部署到CPU和/或Tegra®板产生便携和优化的C / C ++和/或代码CUDA®。基准测试显示,自动生成的代码,CUDA的性能是〜5倍比TensorFlow®和2X〜比MXNet要快。
观看此谈话,以了解如何:
1.访问并管理大型图片集
2.可视化网络和洞察训练过程
3.导入参考网络如AlexNet和GoogLeNet
4.自动生成从NVIDIA GPU的MATLAB的算法便携式和优化CUDA代码
5.自动生成从MATLAB的英特尔至强CPU和的ARM Cortex-A处理器上实现深度学习网络,便携和优化的代码
比尔周杰伦是产品营销经理GPU编码器,并已与MathWorks的代码生成技术工作在过去的12年。Bill拥有的M.S.从南加州大学和不列颠哥伦比亚大学的电气工程学位B.A.Sc电气工程学士学位。
记录:二○一八年六月二十○日
我们不会出售或出租您的个人信息。详情请参阅我们的隐私政策。
您到您的MathWorks公司的帐户已经签署。请按“提交”按钮,完成这一过程。
您还可以选择从下面的列表中的网站:
选择最佳的网站性能的中国网站(在中国或英文)。其他MathWorks的国家网站都没有从您的位置访问进行了优化。
本网站使用Cookies来改善您的用户体验,个性化的内容和广告,并分析网站流量。通过继续使用本网站,您同意我们使用Cookie。请参阅我们的隐私政策要了解更多关于cookie和如何更改设置。