创建、编译和部署dlhdl。工作流对象that has Logo Recognition Network as the network object using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. Use MATLAB® to retrieve the prediction results from the target device.

创建、编译和部署dlhdl。工作流对象that has a lane detection convolutional neural network as the network object, by using the Deep learning HDL Toolbox™. The network can detect and output lane marker boundaries as the network object using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. Use MATLAB® to retrieve the prediction results from the target device.

创建、编译和部署dlhdl。工作流对象with ResNet-18 as the network object by using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. Use MATLAB® to retrieve the prediction results from the target device. ResNet-18 is a pretrained convolutional neural network that has been trained on over a million images and can classify images into 1000 object categories (such as keyboard, coffee, mug, pencil,and many animals). You can also use VGG-19 and DarkNet-19 as the network objects.

训练、编译和部署dlhdl。工作流对象that has ResNet-18 as the network object by using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. Use MATLAB® to retrieve the prediction results from the target device.

部署一个定制训练的系列网络，以检测物体的缺陷，如六角螺母。采用迁移学习的方法训练自定义网络。迁移学习是深度学习应用中常用的一种方法。你可以把一个预先训练好的网络作为学习新任务的起点。用迁移学习对网络进行优化通常比用随机初始化的权重从头开始训练网络要快得多，也容易得多。您可以使用更少的训练信号，快速地将学到的特征转移到新任务中。本例使用了两个经过训练的系列网络trainedDefNet。垫和trainedBlemDetNet.mat。

部署一个自定义训练的系列网络，根据行人和自行车的微多普勒信号来检测他们。该网络取自相控阵工具箱中的“使用深度学习的行人和自行车分类”示例。有关网络训练和输入数据的更多细节，请参见使用深度学习的行人和自行车分类。

将图像输入卷积神经网络，并显示网络不同层的激活。通过比较激活区域和原始图像，检查激活并发现网络学习的特征。早期层中的通道学习颜色和边缘等简单特征，而更深层中的通道学习复杂特征。以这种方式识别特征可以帮助您理解网络学到的东西。

典型的串联分类网络包括一系列卷积层，后面是一个或多个完全连接层。最近的研究结果表明，直接使用卷积层激活比使用后续全连通层激活能获得更好的特征提取和识别性能。

训练和部署一个“只看一次”(YOLO) v2对象检测器。

通过在Xilinx Zynq Ultrascale+ ZCU102板上部署一个经过迁移学习训练的SqueezeNet网络训练sn对人体心电图信号进行分类。

通过可视化中间层激活结果，并通过模拟网络和比特流，在没有目标硬件的情况下验证预测准确性，快速构建定制深度学习网络和比特流原型。为了模拟网络和比特流，创建一个dlhdl。模拟对象。使用dlhdl。模拟器对象to:

Xilinx™Zynq®UltraScale+™MPSoC ZCU102评估套件部署自定义预训练系列网络，检测音频中语音命令的存在。本示例使用预训练的网络，该网络是通过使用语音命令数据集[1]进行训练的。要创建预训练的网络，请参见使用深度学习的语音命令识别。

将预训练卷积神经网络(CNN)部署到Xilinx™Zynq®UltraScale+™MPSoC ZCU102评估套件中进行调制分类。预训练的网络是通过使用生成的合成的，信道受损的波形来训练的。要训练trainedNet网络，请参见深度学习调制分类。

创建、编译和部署dlhdl。工作流对象by using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. The Workflow object has a custom trained human pose estimation network as the network object. The network detects and outputs poses of people present in an input image of size 256-by-192. To train the network, see Estimate Body Pose Using Deep Learning.

将训练有素的“只看一次”(YOLO) v3对象检测器部署到目标FPGA板上。然后使用MATLAB从FPGA板检索对象分类。