groupedConvolution2dLayer

二维分组卷积层

在页面中全部展开

描述

二维分组卷积层将输入通道分组，并应用滑动卷积滤波器。使用分组卷积层进行通道可分(也称为深度可分)卷积。

对于每一组，该层通过沿着输入的垂直和水平方向移动滤波器来卷积输入，并计算权值和输入的点积，然后添加一个偏差项。该层独立地组合每个组的卷积。如果组的数量等于通道的数量，那么该层执行通道方面的卷积。

创建

语法

层= groupedConvolution2dLayer (filterSize numFiltersPerGroup numGroups)

层= groupedConvolution2dLayer (filterSize、numFiltersPerGroup channel-wise)

层= groupedConvolution2dLayer (___、名称、值)

描述

例子

层= groupedConvolution2dLayer (filterSize，numFiltersPerGroup，numGroups）创建一个二维分组卷积层，并设置FilterSize，NumFiltersPerGroup,NumGroups属性。

例子

层= groupedConvolution2dLayer (filterSize，numFiltersPerGroup, ' channel-wise ')为通道级卷积(也称为深度级卷积)创建一个层。在这种情况下，软件决定NumGroups训练时的财产。此语法等同于设置NumGroups输入通道的数量。

例子

层= groupedConvolution2dLayer (___，名称,值）设置可选步，DilationFactor，参数和初始化，学习率和正规化,的名字使用名称-值对的属性。方法指定输入填充“填充”名称-值对的论点。例如,groupedConvolution2dLayer(5128 2“填充”,“相同”)创建一个2- d分组卷积层，有2组128个大小的过滤器5 [5]并将输入填充为，以便输出具有相同的大小。可以指定多个名称-值对。将每个属性名用单引号括起来。

输入参数

全部展开

名称-值参数

使用逗号分隔的名称-值对参数指定沿层输入的边缘添加的填充大小或设置步，DilationFactor，参数和初始化，学习率和正规化,的名字属性。名字用单引号括起来。

例子:groupedConvolution2dLayer(5128 2“填充”,“相同”)创建一个2- d分组卷积层，有2组128个大小的过滤器5 [5]并将输入填充为，以便输出具有相同的大小。

`填充`- - - - - -输入边缘填充
`[0 0 0 0]`(默认)|非负整数的向量|`“相同”`

输入边填充，指定为逗号分隔的对，由“填充”其中一个价值观是:

“相同”-在训练或预测时添加软件计算的大小填充，使步幅为1时输出与输入大小相同。如果stride大于1，则输出大小为装天花板(inputSize /步),在那里inputSize是输入的高度还是宽度步是对应维度中的步幅。如果可能的话，软件会在顶部和底部，以及左侧和右侧添加相同数量的填充。如果必须垂直添加的填充有一个奇数值，那么软件将在底部添加额外的填充。如果必须水平添加的填充有一个奇数值，那么软件将在右侧添加额外的填充。
非负整数p-添加大小的填充p到输入的所有边。
向量[b]的非负整数-添加大小填充一个到顶部和底部的输入和填充的大小b向左和向右。
向量[t b l r]的非负整数-添加大小填充t前,b底部,l向左，然后r在输入的右边。

例子:“填充”,1在顶部和底部添加一行填充，在输入的左侧和右侧添加一列填充。

例子:“填充”,“相同”添加填充，以便输出与输入大小相同(如果stride等于1)。

属性

全部展开

分组卷积

`FilterSize`- - - - - -过滤器的高度和宽度
两个正整数的向量

过滤器的高度和宽度，指定为一个向量[w h]两个正整数的h是高度和w是宽度。FilterSize定义输入中神经元连接到的局部区域的大小。

在创建层时，您可以指定FilterSize作为一个标量，为高度和宽度使用相同的值。

例子:5 [5]指定高度为5，宽度为5的过滤器。

`NumFiltersPerGroup`- - - - - -每组过滤器的数量
正整数

每个组的过滤器数量，指定为正整数。此属性决定了层输出中的通道数量。输出通道数为FiltersPerGroup * NumGroups．

例子:10

`NumGroups`- - - - - -数量的组
正整数|`“channel-wise”`

组数，指定为正整数或“channel-wise”．

如果NumGroups是“channel-wise”，然后软件创建一个层用于通道级卷积(也称为深度级卷积)。在这种情况下，层决定NumGroups训练时的财产。该值相当于settingNumGroups输入通道的数量。

组数必须与层输入的通道数相等。

例子:2

`步`- - - - - -遍历输入的步长
`[1]`(默认)|两个正整数的向量

垂直和水平遍历输入的步长，指定为向量[b]两个正整数的一个竖直步长和b是水平步长。在创建层时，您可以指定步作为一个标量，对两个步长使用相同的值。

例子:3 [2]指定垂直步长为2，水平步长为3。

`DilationFactor`- - - - - -扩张卷积因子
`[1]`(默认)|两个正整数的向量

放大卷积(也称为阿特鲁卷积)的因子，表示为一个向量[w h]两个正整数的h竖直扩张和w是水平膨胀。在创建层时，您可以指定DilationFactor作为标量，对水平和垂直膨胀使用相同的值。

使用扩展卷积来增加层的接收域(层可以看到的输入区域)，而不增加参数或计算的数量。

该层通过在每个过滤器元素之间插入零来扩展过滤器。膨胀因子决定了对输入采样的步长，或相当于滤波器的上采样因子。它对应的有效过滤器大小为(过滤器的大小- 1) *膨胀系数+ 1。例如，带有膨胀因子的3 × 3滤波器(2 - 2)等价于一个元素之间为零的5 × 5过滤器。

例子:3 [2]

`PaddingSize`- - - - - -大小的填充
`[0 0 0 0]`(默认)|四个非负整数的向量

应用于输入边框的填充大小，指定为向量[t b l r]四个非负整数的t是填充到顶部，b是填充到底部，l填充是应用到左边，和r是应用到右侧的填充。

创建图层时，使用“填充”参数指定填充大小。

例子:[1 1 2 2]在顶部和底部添加一行填充，在输入的左侧和右侧添加两列填充。

`PaddingMode`- - - - - -方法来确定填充大小
`“手动”`(默认)|`“相同”`

方法来确定填充大小，指定为“手动”或“相同”．

软件会自动设置PaddingMode基于“填充”创建层时指定的值。

如果你设置“填充”选项设置为标量或非负整数的向量，然后软件自动设置PaddingMode来“手动”．
如果你设置“填充”选项“相同”，然后软件自动设置PaddingMode来“相同”并在训练时计算填充的大小，以便当步幅为1时输出与输入的大小相同。如果stride大于1，则输出大小为装天花板(inputSize /步),在那里inputSize是输入的高度还是宽度步是对应维度中的步幅。如果可能的话，软件会在顶部和底部，以及左侧和右侧添加相同数量的填充。如果必须垂直添加的填充有一个奇数值，那么软件将在底部添加额外的填充。如果必须水平添加的填充有一个奇数值，那么软件将在右侧添加额外的填充。

`PaddingValue`- - - - - -填充数据的值
0(默认)|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

值填充数据，指定为以下之一:

`PaddingValue`	描述	例子
标量	填充指定的标量值。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 3. & 1 & 4 & 0 & 0 \\ 0 & 0 & 1 & 5 & 9 & 0 & 0 \\ 0 & 0 & 2 & 6 & 5 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & 0 & 0 \end{matrix} ］$
`“symmetric-include-edge”`	使用输入的镜像值(包括边值)进行填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 1 & 3. & 3. & 1 & 4 & 4 & 1 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 6 & 2 & 2 & 6 & 5 & 5 & 6 \\ 5 & 1 & 1 & 5 & 9 & 9 & 5 \end{matrix} ］$
`“symmetric-exclude-edge”`	使用输入的镜像值(不包括边值)进行填充。	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 5 & 6 & 2 & 6 & 5 & 6 & 2 \\ 9 & 5 & 1 & 5 & 9 & 5 & 1 \\ 4 & 1 & 3. & 1 & 4 & 1 & 3. \end{matrix} ］$
`“复制”`	使用输入的重复边框元素填充	$［ \begin{matrix} 3. & 1 & 4 \\ 1 & 5 & 9 \\ 2 & 6 & 5 \end{matrix} ］ \to ［ \begin{matrix} 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 3. & 3. & 3. & 1 & 4 & 4 & 4 \\ 1 & 1 & 1 & 5 & 9 & 9 & 9 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \\ 2 & 2 & 2 & 6 & 5 & 5 & 5 \end{matrix} ］$

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64|字符|字符串

`NumChannelsPerGroup`- - - - - -每个组的通道数
`“汽车”`(默认)|正整数

每个组的通道数，指定为“汽车”或者一个正整数。每组的通道数等于输入通道数除以组数。

软件在训练时自动设置此属性。

例子:256

参数和初始化

`WeightsInitializer`- - - - - -函数初始化权重
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

函数初始化权重，指定为以下之一:

“glorot”-使用gloot初始化器初始化权重[1](也称为Xavier初始化器)。gloria初始化器从均值和方差为零的均匀分布中独立采样2 / (numIn + numOut),在那里numIn = FilterSize (1) * FilterSize (2) * NumChannelsPerGroup而且numOut = FilterSize (1) * FilterSize (2) * NumFiltersPerGroup．
“他”-使用He初始化器初始化权重[２]．He初始化器样本来自均值和方差为零的正态分布2 / numIn,在那里numIn = FilterSize (1) * FilterSize (2) * NumChannelsPerGroup．
“narrow-normal”-通过从均值为零、标准差为0.01的正态分布中独立抽样初始化权重。
“零”-用0初始化权值。
“的”-用1初始化权重。
函数句柄——使用自定义函数初始化权重。如果指定了函数句柄，则该函数必须具有以下形式重量= func(深圳),在那里深圳是重量的大小。示例请参见指定自定义权重初始化函数．

时，该层才初始化权重权重属性是空的。

数据类型:字符|字符串|function_handle

`BiasInitializer`- - - - - -函数初始化偏置
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

函数初始化偏移量，指定为以下之一:

“零”-初始偏差为零。
“的”-初始偏差为1。
“narrow-normal”-通过从均值为零、标准差为0.01的正态分布中独立采样来初始化偏差。
函数句柄——使用自定义函数初始化偏置。如果指定了函数句柄，则该函数必须具有以下形式偏见= func(深圳),在那里深圳是偏差的大小。

该层仅在偏见属性是空的。

数据类型:字符|字符串|function_handle

`权重`- - - - - -层的重量
`［］`(默认)|数字数组

该层的层权重，指定为数值数组。

层权值是可学习的参数。方法可以直接指定权重的初始值权重层的属性。当你训练一个网络时，如果权重属性为非空，则trainNetwork使用权重属性作为初始值。如果权重那么，财产是空的trainNetwork类指定的初始化式WeightsInitializer层的属性。

在培训时,权重是一个FilterSize (1)——- - - - - -FilterSize (2)——- - - - - -NumChannelsPerGroup——- - - - - -NumFiltersPerGroup——- - - - - -NumGroups数组,NumInputChannels是层输入的通道数。

数据类型:单|双

`偏见`- - - - - -层的偏见
`［］`(默认)|数字数组

层的层偏差，指定为数值数组。

层偏差是可学习的参数。当你训练一个网络时，如果偏见非空的,那么trainNetwork使用偏见属性作为初始值。如果偏见是空的,然后trainNetwork使用指定的初始化式BiasInitializer．

在培训时,偏见是一个1-by-1-by——NumFiltersPerGroup——- - - - - -NumGroups数组中。

数据类型:单|双

学习率和正规化

`WeightLearnRateFactor`- - - - - -学习率因子的权重
`1`(默认)|负的标量

权重的学习率因子，指定为非负标量。

软件将该因子乘以全局学习率，以确定该层中权重的学习率。例如,如果WeightLearnRateFactor是2，则该层权值的学习率为当前全局学习率的两倍。该软件根据您使用的设置确定全局学习率trainingOptions函数。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`BiasLearnRateFactor`- - - - - -学习率因素的偏差
`1`(默认)|负的标量

偏差的学习率因子，指定为非负标量。

软件将该因子乘以全局学习率，以确定该层中偏差的学习率。例如,如果BiasLearnRateFactor是2，则该层中偏差的学习率为当前全局学习率的两倍。该软件根据您使用的设置确定全局学习率trainingOptions函数。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`WeightL2Factor`- - - - - -l₂权值的正则化因子
1(默认)|负的标量

l₂权值的正则化因子，指定为非负标量。

软件将这个因子乘以全局变量l₂正则化因子的确定l₂正则化这一层的权重。例如,如果WeightL2Factor是2,那么l₂这一层权值的正则化是全局权值的两倍l₂正则化因子。您可以指定全局l₂正则化因子使用trainingOptions函数。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`(默认)|负的标量

l₂偏差的正则化因子，指定为非负标量。

软件将这个因子乘以全局变量l₂正则化因子的确定l₂这一层的偏差的正则化。例如,如果BiasL2Factor是2,那么l₂这一层偏差的正则化是全局偏差的两倍l₂正则化因子。您可以指定全局l₂正则化因子使用trainingOptions函数。

数据类型:单|双|int8|int16|int32|int64|uint8|uint16|uint32|uint64

层

`的名字`- - - - - -层的名字
`＇＇`(默认)|特征向量|字符串标量

层名，指定为字符向量或字符串标量。为层数组输入,trainNetwork，assembleNetwork，layerGraph,dlnetwork函数自动为具有此名称的层分配名称＇＇．

数据类型:字符|字符串

`NumInputs`- - - - - -输入数量
`1`(默认)

此属性是只读的。

层的输入数。该层只接受单个输入。

数据类型:双

`InputNames`- - - - - -输入名字
`{'在'}`(默认)

此属性是只读的。

输入图层名称。该层只接受单个输入。

数据类型:细胞

`NumOutputs`- - - - - -数量的输出
`1`(默认)

此属性是只读的。

层的输出数量。这个层只有一个输出。

数据类型:双

`OutputNames`- - - - - -输出的名字
`{“出”}`(默认)

此属性是只读的。

输出层的名称。这个层只有一个输出。

数据类型:细胞

例子

全部折叠

创建分组卷积层

打开生活的脚本

创建一个分组卷积层，有3组10个过滤器，每组的高度和宽度为11，以及名称“gconv1”．

3层= groupedConvolution2dLayer(11日,10日,“名字”，“gconv1”）

layer = GroupedConvolution2DLayer with properties: Name: 'gconv1' Hyperparameters FilterSize: [11 11] NumGroups: 3 NumChannelsPerGroup: 'auto' NumFiltersPerGroup: 10 Stride: [11] DilationFactor: [11] PaddingMode: 'manual' PaddingSize: [0 0 0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

创建通道卷积层

打开生活的脚本

创建一个通道级卷积(也称为深度级卷积)层，一组10个过滤器，每个过滤器的高度和宽度为11，以及名称“cwconv1”．

10层= groupedConvolution2dLayer(11日,“channel-wise”，“名字”，“cwconv1”）

layer = GroupedConvolution2DLayer with properties: Name: 'cwconv1' Hyperparameters FilterSize: [11 11] NumGroups: 'channel-wise' NumChannelsPerGroup: 'auto' NumFiltersPerGroup: 10 Stride: [11] DilationFactor: [11] PaddingMode: 'manual' PaddingSize: [0 0 0 0] PaddingValue: 0 Learnable Parameters Weights: [] Bias:[]显示所有属性

为通道可分离卷积创建层

打开生活的脚本

典型的卷积神经网络包含卷积块、批归一化和ReLU层。例如,

filterSize = 3;numFilters = 16;convLayers = [convolution2dLayer(filterSize,numFilters，“步”2,“填充”，“相同”) batchNormalizationLayer reluLayer];

对于通道可分卷积(又称深度可分卷积)，将卷积块替换为通道可分卷积块和点可分卷积块。

指定通道级卷积中的滤波器大小和步幅，以及点级卷积中的滤波器数量。对于通道级卷积，每组指定一个滤波器。对于点向卷积，指定大小为1英寸的滤波器convolution2dLayer．

cwsConvLayers = [groupedConvolution2dLayer(filterSize,1，“channel-wise”，“步”2,“填充”，“相同”(1,numFilters，“填充”，“相同”) batchNormalizationLayer reluLayer];

为通道可分离卷积创建一个包含层的网络。

layers = [imageInputLayer([227 227 227 3]) convolution2dLayer(3,32，“填充”，“相同”groupedConvolution2dLayer(3,1，“channel-wise”，“步”2,“填充”，“相同”) reluLayer卷积2dlayer (1,16，“填充”，“相同”maxPooling2dLayer(2，“步”2) fullyConnectedLayer(5) softmaxLayer classificationLayer];

参考文献

格洛罗，泽维尔和约舒亚·本吉奥。《理解训练深度前馈神经网络的困难》在第十三届人工智能与统计学国际会议论文集, 249 - 356。撒丁岛，意大利:AISTATS, 2010。

何凯明，张翔宇，任少卿，孙健。深入研究整流器:在ImageNet分类上超越人类水平的性能。在2015年IEEE计算机视觉国际会议论文集, 1026 - 1034。华盛顿:IEEE计算机视觉学会，2015。

扩展功能

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

使用注意事项和限制:

的二维分组卷积层不支持为ARM计算库生成代码NumGroups属性设置为大于2的整数值。
对于代码生成，PaddingValue参数必须等于0，为默认值。

GPU的代码生成
使用GPU Coder™为NVIDIA GPU生成CUDA®代码。

使用注意事项和限制:

的二维分组卷积层不支持ARM Mali GPU的代码生成NumGroups属性设置为“channel-wise”或者一个大于2的值。
对于代码生成，PaddingValue参数必须等于0，为默认值。

版本历史

介绍了R2019a

另请参阅

groupedConvolution2dLayer

描述

创建

语法

描述

输入参数

填充- - - - - -输入边缘填充[0 0 0 0](默认)|非负整数的向量|“相同”

属性

分组卷积

FilterSize- - - - - -过滤器的高度和宽度两个正整数的向量

NumFiltersPerGroup- - - - - -每组过滤器的数量正整数

NumGroups- - - - - -数量的组正整数|“channel-wise”

步- - - - - -遍历输入的步长[1](默认)|两个正整数的向量

DilationFactor- - - - - -扩张卷积因子[1](默认)|两个正整数的向量

PaddingSize- - - - - -大小的填充[0 0 0 0](默认)|四个非负整数的向量

PaddingMode- - - - - -方法来确定填充大小“手动”(默认)|“相同”

PaddingValue- - - - - -填充数据的值0(默认)|标量|“symmetric-include-edge”|“symmetric-exclude-edge”|“复制”

NumChannelsPerGroup- - - - - -每个组的通道数“汽车”(默认)|正整数

参数和初始化

WeightsInitializer- - - - - -函数初始化权重“glorot”(默认)|“他”|“narrow-normal”|“零”|“的”|函数处理

BiasInitializer- - - - - -函数初始化偏置“零”(默认)|“narrow-normal”|“的”|函数处理

权重- - - - - -层的重量［］(默认)|数字数组

偏见- - - - - -层的偏见［］(默认)|数字数组

学习率和正规化

WeightLearnRateFactor- - - - - -学习率因子的权重1(默认)|负的标量

BiasLearnRateFactor- - - - - -学习率因素的偏差1(默认)|负的标量

WeightL2Factor- - - - - -l2权值的正则化因子1(默认)|负的标量

BiasL2Factor- - - - - -l2偏差的正则化因子0(默认)|负的标量

层

的名字- - - - - -层的名字＇＇(默认)|特征向量|字符串标量

NumInputs- - - - - -输入数量1(默认)

InputNames- - - - - -输入名字{'在'}(默认)

NumOutputs- - - - - -数量的输出1(默认)

OutputNames- - - - - -输出的名字{“出”}(默认)

例子

创建分组卷积层

创建通道卷积层

为通道可分离卷积创建层

参考文献

扩展功能

C / c++代码生成使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成使用GPU Coder™为NVIDIA GPU生成CUDA®代码。

版本历史

另请参阅

主题

`填充`- - - - - -输入边缘填充
`[0 0 0 0]`(默认)|非负整数的向量|`“相同”`

`FilterSize`- - - - - -过滤器的高度和宽度
两个正整数的向量

`NumFiltersPerGroup`- - - - - -每组过滤器的数量
正整数

`NumGroups`- - - - - -数量的组
正整数|`“channel-wise”`

`步`- - - - - -遍历输入的步长
`[1]`(默认)|两个正整数的向量

`DilationFactor`- - - - - -扩张卷积因子
`[1]`(默认)|两个正整数的向量

`PaddingSize`- - - - - -大小的填充
`[0 0 0 0]`(默认)|四个非负整数的向量

`PaddingMode`- - - - - -方法来确定填充大小
`“手动”`(默认)|`“相同”`

`PaddingValue`- - - - - -填充数据的值
0(默认)|标量|`“symmetric-include-edge”`|`“symmetric-exclude-edge”`|`“复制”`

`NumChannelsPerGroup`- - - - - -每个组的通道数
`“汽车”`(默认)|正整数

`WeightsInitializer`- - - - - -函数初始化权重
`“glorot”`(默认)|`“他”`|`“narrow-normal”`|`“零”`|`“的”`|函数处理

`BiasInitializer`- - - - - -函数初始化偏置
`“零”`(默认)|`“narrow-normal”`|`“的”`|函数处理

`权重`- - - - - -层的重量
`［］`(默认)|数字数组

`偏见`- - - - - -层的偏见
`［］`(默认)|数字数组

`WeightLearnRateFactor`- - - - - -学习率因子的权重
`1`(默认)|负的标量

`BiasLearnRateFactor`- - - - - -学习率因素的偏差
`1`(默认)|负的标量

`WeightL2Factor`- - - - - -l₂权值的正则化因子
1(默认)|负的标量

`BiasL2Factor`- - - - - -l₂偏差的正则化因子
`0`(默认)|负的标量

`的名字`- - - - - -层的名字
`＇＇`(默认)|特征向量|字符串标量

`NumInputs`- - - - - -输入数量
`1`(默认)

`InputNames`- - - - - -输入名字
`{'在'}`(默认)

`NumOutputs`- - - - - -数量的输出
`1`(默认)

`OutputNames`- - - - - -输出的名字
`{“出”}`(默认)

C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。

GPU的代码生成
使用GPU Coder™为NVIDIA GPU生成CUDA®代码。