深度学习代码生成
生成C/ c++, CUDA®,或HDL代码,并部署深度学习网络
为预训练的深度神经网络生成代码。您可以在MATLAB中加速算法的仿真®或仿真软件®通过使用不同的执行环境。通过使用支持包,您还可以在目标硬件上生成和部署C/ c++、CUDA和HDL代码。
使用深度学习工具箱™和深度学习工具箱模型量化库支持包,通过量化层的权重、偏差和激活来减少精确缩放的整数数据类型,从而减少深度神经网络的内存占用和计算需求。然后,您可以从这些量化网络生成C/ c++、CUDA或HDL代码。
使用MATLAB编码器™或仿真软件编码器与深度学习工具箱一起生成MEX或独立CPU代码,在桌面或嵌入式目标上运行。您可以部署生成的独立代码,使用Intel®MKL-DNN库或ARM®计算库。或者,您可以生成不调用第三方库函数的通用CPU代码。
使用GPU Coder™与深度学习工具箱一起生成CUDA MEX或独立CUDA代码,可在桌面或嵌入式目标上运行。您可以部署生成的独立CUDA代码,使用CUDA深度神经网络库(cuDNN)、TensorRT™高性能推理库或用于Mali GPU的ARM Compute库。
使用深度学习HDL工具箱™和深度学习工具箱一起为预训练的网络生成HDL代码。您可以在Intel和Xilinx上部署生成的HDL代码®FPGA和SoC设备。
代码生成基础知识
- 代码生成支持的网络和层(MATLAB编码器)
- 支持的网络、层和类(GPU编码器)
- 支持的网络、层、单板、工具(深度学习HDL工具箱)
- 用于深度学习网络的代码生成
- 为序列到序列深度学习Simulink模型生成通用的C/ c++(仿真软件编码器)
- 开始在Intel Arria 10 SoC上部署深度学习FPGA(深度学习HDL工具箱)
类别
- 量化、投影和修剪
通过执行量化、投影或修剪来压缩深度神经网络 - 基于MATLAB的深度学习代码生成
生成C/ c++、GPU和HDL代码,用于部署在桌面或嵌入式目标上 - 从Simulink应用程序中生成深度学习代码
生成C/ c++和GPU代码,用于部署在桌面或嵌入式目标上
相关信息
- 基于MATLAB编码器的深度学习(MATLAB编码器)
- GPU Coder深度学习(GPU编码器)
- 开始使用深度学习HDL工具箱(深度学习HDL工具箱)