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。