比尔·索,数学工作
由于嵌入式设备中固有的资源约束,设计和部署深度学习和计算机视觉应用程序对嵌入式CPU和GPU平台具有具有挑战性的。基于Matlab®的工作流程有助于这些应用的设计,并且可以在Jetson TX2和驱动PX等电路板上部署C或CUDA®代码,并实现非常快速的推断。
演示说明了MATLAB如何支持此工作流程的所有主要阶段。金宝app从算法设计开始,该算法可以采用深入学习网络,增强传统的计算机视觉技术,可以在Matlab中进行测试和验证。接下来,在桌面,群集或云上使用GPU和Patlab的并行计算支持,这些网络培训。金宝app最后,GPU编码器™从Matlab算法生成便携式和优化的C / C ++和/或CUDA®代码,然后将其交叉编译和部署到CPU和/或TEGRA®Board。基准显示自动生成的CUDA代码的性能比TensorFlow®和〜2x更快的速度比MXNet更快。
观看此谈话以了解如何:
1.访问和管理大型图像集
2.可视化网络并介绍培训过程
3.导入参考网络,如alexnet和googlenet
4.从Matlab算法为NVIDIA GPU自动生成便携式和优化的CUDA代码
5.从Matlab中实现的Intel Xeon CPU和ARM Cortex-A处理器自动生成从Matlab实现的深度学习网络生成便携式和优化的代码
Bill Chou是GPU编码器的产品营销经理,并在过去的12年里与Mathworks代码生成技术合作。比尔持有M.S.南加州大学电气工程学位和英国哥伦比亚大学电气工程学士学位。
记录:2018年6月20日
您还可以从以下列表中选择一个网站:
选择中国网站(以中文或英文)以获取最佳网站性能。其他MathWorks国家网站未优化您的位置。