之前被命名为“FPGA部署的量化网络”。

训练、编译和部署dlhdl。工作流对象that has quantized ResNet-18 as the network object by using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. Quantization helps reduce the memory requirement of a deep neural network by quantizing weights, biases and activations of network layers to 8-bit scaled integer data types. Use MATLAB® to retrieve the prediction results from the target device.

在本例中，使用深度学习HDL工具箱™部署量化深度卷积神经网络并对图像进行分类。该示例使用预先训练的ResNet-18卷积神经网络演示了量化网络的迁移学习、量化和部署。利用MATLAB®对预测结果进行检索。

演示如何使用深度学习HDL工具箱™部署量化的GoogleNet网络来对图像进行分类。该示例使用预先训练的GoogLeNet网络演示了量化网络的迁移学习、量化和部署。量化通过将网络层的权重、偏差和激活量化为8位缩放整数数据类型，帮助降低深度神经网络的内存需求。利用MATLAB®对预测结果进行检索。

展示如何使用深度学习HDL工具箱™部署量化U-Net对多光谱图像执行语义分割。该实例使用预训练的U-Net网络演示了量化网络的量化和部署。量化通过将网络层的权重、偏差和激活量化为8位缩放整数数据类型，帮助减少深度神经网络的内存需求。使用MATLAB®检索预测结果。