深度学习与GPU编码器
生成CUDA®深度学习神经网络的代码
深度学习是机器学习的一个分支,它教会计算机做人类与生俱来的事情:从经验中学习。学习算法使用计算方法直接从数据中“学习”信息,而不依赖预定方程作为模型。深度学习使用卷积神经网络(CNNs)直接从图像中学习有用的数据表示。神经网络结合了多个非线性处理层,使用简单的元素并行运行,并受到生物神经系统的启发。深度学习模型是通过使用大量的标记数据和神经网络体系结构来训练的,这些体系结构包含很多层,通常包括一些卷积层。
您可以使用GPU Coder™与深度学习工具箱™一起生成代码,并将CNN部署到使用NVIDIA的多个嵌入式平台上®或手臂®GPU处理器。深度学习工具箱提供了简单的MATLAB®用于创建和连接深度神经网络层的命令。预先训练的网络和示例的可用性,如图像识别和驾驶辅助应用程序,使您可以使用GPU Coder进行深度学习,无需神经网络、深度学习或高级计算机视觉算法的专业知识。
应用程序
功能
对象
模型设置
主题
MATLAB
- 为代码生成加载预先训练的网络
创建一个SeriesNetwork
,DAGNetwork
,yolov2ObjectDetector
,ssdObjectDetector
,或dlnetwork
对象,用于代码生成。 - 基于cuDNN的深度学习网络代码生成
使用cuDNN库为预训练的卷积神经网络生成代码。 - 基于TensorRT的深度学习网络代码生成
使用TensorRT库为预训练的卷积神经网络生成代码。 - 面向ARM Mali gpu的深度学习网络代码生成
从深度学习网络生成用于预测的c++代码,目标是ARM Mali GPU处理器。 - 代码生成后更新网络参数
对深度学习网络参数进行邮编生成更新。 - 深度学习中的数据布局考虑
编写示例主函数的基本数据布局注意事项。 - 深度神经网络的量化
了解量化的效果以及如何可视化网络卷积层的动态范围。 - 为深度学习网络生成INT8代码
为预训练的卷积神经网络量化和生成代码。 - 利用GPU编码器优化车道检测
开发一个运行在NVIDIA gpu上的深度学习车道检测应用程序。 - 交通标志检测与识别
为使用深度学习的交通标志检测和识别应用程序生成CUDA MEX。 - 标志识别网络
生成代码并将输入图像分类为32个标志类别。 - 基于U-net的语义分割网络代码生成
生成U-Net深度学习网络的CUDA代码,用于图像分割。 - 语义分割网络的代码生成
的代码生成SegNet
图像分割网络。 - 深度神经网络去噪的代码生成
从MATLAB代码生成CUDA MEX,利用去噪卷积神经网络对灰度图像进行去噪。
动态仿真模块
- 基于MATLAB函数块的深度学习网络GPU代码生成
在Simulink中使用MATLAB函数块对深度学习模型进行模拟和生成代码。 - 深度神经网络库中的块的GPU代码生成
使用库块在Simulink中模拟和生成深度学习模型的代码。 - 针对NVIDIA嵌入式板
构建并部署到NVIDIA GPU板。