开始使用CUDA代码生成图像分类网络，例如MobileNet-v2，ResNet,GoogLeNet．

CUDA代码生成dlnetwork而且dlarray对象。

训练和部署一个全卷积语义分割网络到NVIDIA GPU。

生成一个CUDA MEX文件，使用TensorRT执行32位、16位浮点和8位整数预测。

为只看一次(YOLO) v2对象检测器生成CUDA MEX。

为单发多箱车辆探测器网络生成CUDA代码。

将图像分类应用程序部署到ARM Mali GPU上。

演示如何为长时间短期记忆(LSTM)网络生成CUDA®代码。

为使用深度学习对心电信号进行分类的Simulink模型生成CUDA。

为网络生成CUDA MEX，该网络可以分割属于三类的有组织的激光雷达点云。

使用具有卷积和BiLSTM层的网络对Jetson Xavier上的活动进行分类。

为只看一次(YOLO) v3对象检测器生成CUDA MEX。

从Simulink®模型开发CUDA®应用程序，使用卷积神经网络(CNN)执行车道和车辆检测。本例以交通视频的帧为输入，输出两个车道边界，分别对应自我车辆的左右车道，并检测帧中的车辆。这个例子使用了预先训练的车道检测网络利用GPU编码器优化车道检测GPU Coder工具箱™的例子。有关更多信息，请参见使用GPU编码器优化车道检测。本例还使用了预先训练的车辆检测网络使用YOLO v2深度学习的对象检测计算机视觉工具箱™的例子。有关更多信息，请参见使用YOLO v2深度学习的目标检测(计算机视觉工具箱)。

在NVIDIA®Jetson TX2板上部署Simulink®模型，用于对网络摄像头图像进行分类。这个例子通过使用预先训练的深度卷积神经网络实时对网络摄像头中的图像进行分类，ResNet-50．本例中的Simulink模型使用了用于NVIDIA Jetson和NVIDIA DRIVE平台的MATLAB®Coder™支持包中的摄像机和显示块，从网络摄像头捕获实时视频流，并在连接到Jetson平台的监视器上显示预测结果。

对残差网络卷积层中的可学习参数进行量化，生成CUDA代码。

为SSD和YOLO v2车辆检测器生成CUDA代码，它们在8位整数中执行推理计算。

为pointnet++网络生成CUDA MEX代码，用于激光雷达语义分割。

为pointcolumns对象检测器生成CUDA MEX。

生成独立的CUDA®可执行文件，用于具有自定义层的只看一次(YOLO) v4对象检测器。微型YOLO v4网络是YOLO v4网络的轻量级版本，具有更少的网络层。它使用特征金字塔网络作为颈部，并有两个YOLO v4检测头。在COCO数据集上进行网络训练。有关YOLO v4对象检测网络的更多信息，请参见从YOLO v4入门和使用YOLO v4对象检测器检测对象。