Сгенерируйте код CUDA® от простой функции MATLAB® при помощи GPU Coder™. Реализация Множества Мандельброта при помощи стандартных команд MATLAB действует как функция точки входа. Этот пример использует codegen команду, чтобы сгенерировать MEX-функцию, которая работает на графическом процессоре. Можно запустить MEX-функцию, чтобы проверять на ошибки времени выполнения.

Демонстрирует генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз с помощью популярных сетей классификации изображений, таких как AlexNet, ResNet и GoogLeNet.

Интегрируйте GPU Coder™ в Simulink®. В то время как GPU Coder не поддержан для блоков Simulink, можно все еще усилить графические процессоры в Simulink путем генерации динамически подключаемой библиотеки (dll) использование GPU Coder и затем интеграция его в блок Simulink с помощью кодера. API ExternalDependency. Обнаружение ребра Sobel используется в качестве примера, чтобы продемонстрировать эту концепцию.

Интегрируйте код CUDA®, сгенерированный для нейронной сети для глубокого обучения в Simulink®. В то время как GPU Coder™ не поддержан для блоков Simulink, можно все еще использовать вычислительную мощность графических процессоров в Simulink путем генерации динамически подключаемой библиотеки (dll) с GPU Coder и затем интеграции его в Simulink как Блок s-function при помощи Legacy Code Tool. Обнаружение маршрута с GPU Coder используется в качестве примера, чтобы продемонстрировать эту концепцию. Исходный пример использовал файл C++ с функциями OpenCV, чтобы считать кадры, чертить маршруты и наложить информацию о частоте кадров о видеовыходе. Однако этот пример использует блоки Simulink от Computer Vision Toolbox™, чтобы выполнить те же операции.

Демонстрирует, как использовать GPU Coder™, чтобы усилить библиотеку CUDA® Fast Fourier Transform (cuFFT) и вычислить двумерный БПФ на графическом процессоре NVIDIA®. Двумерное преобразование Фурье используется в оптике, чтобы вычислить шаблоны дифракции далекого поля. Эти дифракционные шаблоны наблюдаются, когда монохроматический источник света проходит через маленькую апертуру, такой как в эксперименте двойного разреза Янга.

Сгенерируйте ядра CUDA® для операций типа шаблона путем реализации "Игры Жизни" Джоном Х. Конуэем.

Взгляды на то, как мы можем протестировать решения в сравнении с эталоном линейной системы путем генерации кода графического процессора. Код MATLAB®, чтобы решить для x в A*x = b очень прост. Наиболее часто мы используем матрицу, оставленную деление, также известное mldivide или оператор наклонной черты влево (\), чтобы вычислить x (то есть, x = A\b).

Демонстрирует использование функций обработки изображений для генерации кода графического процессора. Пример берет туманное изображение, как введено и производит изображение defogged. Это - типичная реализация алгоритма исправления вуали. Пример использует conv2, rgb2gray, и функции imhist. См. документацию GPU Coder™ для полного списка поддерживаемых функций.

Сгенерируйте MEX-функцию от функции MATLAB®, которая вычисляет несоизмеримость стерео двух изображений.

Алгоритм распознавания с помощью Ускоренных устойчивых функций (SURF) состоит из трех шагов - выделение признаков, описание функции и соответствие функции. Этот пример выполняет выделение признаков, которое является первым шагом алгоритма SURF. Алгоритм, используемый здесь, основан на реализации библиотеки OpenSURF. В этом примере мы демонстрируем, как GPU Coder™ может использоваться, чтобы решить, это вычисляет интенсивную проблему через генерацию кода CUDA®.

Сгенерируйте CUDA® MEX из кода MATLAB® и выполните функцию, соответствующую между двумя изображениями. Этот пример использует функцию matchFeatures от Image Processing Toolbox™, чтобы совпадать с дескрипторами функции между двумя изображениями, которые вращаются и масштабируются друг относительно друга. Дескрипторы функции двух изображений обнаружены и извлечены при помощи алгоритма Ускоренных устойчивых функций (SURF). См. документацию GPU Coder™ для полного списка поддерживаемых функций.

Сгенерируйте CUDA® MEX для функции MATLAB®, которую denoises RGB отображает при помощи средней фильтрации. Основная концепция позади средней фильтрации должна пробежать пиксель изображения пикселем, заменив каждый пиксель на медиану соседних пикселей. Пример берет изображение RGB в качестве входа и использует функцию medfilt2, которая является частью Image Processing Toolbox™, чтобы произвести изображение denoised.

Сгенерируйте CUDA® MEX для функции MATLAB®, которая обнаруживает ребра в изображениях при помощи фильтров статистической величины порядка. Прикажите, чтобы статистические фильтры были нелинейными пространственными фильтрами, ответ которых основан на упорядоченном расположении (рейтинг) пикселей, содержавшихся в области изображения, охваченной фильтром, и затем заменяющий значение в центральном пикселе со значением, определенным занимающим место результатом. Различные типы фильтров статистики порядка включают медиану, максимум и минимальные фильтры. Пример берет интенсивность или двухуровневое изображение, как введено и использует функцию ordfilt2, которая является частью Image Processing Toolbox™, чтобы произвести обнаруженное изображение ребра.

Сгенерируйте отчет профилирования выполнения для сгенерированного кода CUDA® при помощи функции gpucoder.profile. Исправление вуали используется в качестве примера, чтобы продемонстрировать эту концепцию.

Демонстрирует генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз с помощью популярных сетей классификации изображений, таких как AlexNet, ResNet и GoogLeNet.

Интегрируйте код CUDA®, сгенерированный для нейронной сети для глубокого обучения в Simulink®. В то время как GPU Coder™ не поддержан для блоков Simulink, можно все еще использовать вычислительную мощность графических процессоров в Simulink путем генерации динамически подключаемой библиотеки (dll) с GPU Coder и затем интеграции его в Simulink как Блок s-function при помощи Legacy Code Tool. Обнаружение маршрута с GPU Coder используется в качестве примера, чтобы продемонстрировать эту концепцию. Исходный пример использовал файл C++ с функциями OpenCV, чтобы считать кадры, чертить маршруты и наложить информацию о частоте кадров о видеовыходе. Однако этот пример использует блоки Simulink от Computer Vision Toolbox™, чтобы выполнить те же операции.

Сгенерируйте код CUDA® от нейронной сети для глубокого обучения, представленной объектом SeriesNetwork. SeriesNetwork в этом примере является сверточной нейронной сетью, которая может обнаружить и вывести контуры маркера маршрута от изображения.

Демонстрирует, как сгенерировать код CUDA® MEX для обнаружения дорожного знака и приложения для распознавания, которое использует глубокое обучение. Обнаружение дорожного знака и распознавание являются важным приложением для систем помощи водителю, помощи и предоставления информации к драйверу о дорожных знаках.

Демонстрирует генерацию кода для приложения классификации логотипов, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз на объекте SeriesNetwork под названием LogoNet.

Демонстрирует генерацию кода для пешеходного приложения обнаружения, которое использует глубокое обучение. Пешеходное обнаружение является ключевой проблемой в компьютерном зрении, с несколькими приложениями в областях автономного управления, наблюдения, робототехника и т.д.

Демонстрирует генерацию кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз на Сетевом объекте DAG для SegNet [1], популярной нейронной сети для глубокого обучения для сегментации изображений.

Обучите и разверните полностью сверточную семантическую сеть сегментации на графическом процессоре NVIDIA® при помощи GPU Coder ™.

Демонстрирует генерацию кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз на Сетевом объекте DAG для U-Net, популярной нейронной сети для глубокого обучения для сегментации изображений.

Сгенерируйте CUDA® MEX из кода MATLAB® и denoise полутоновых изображений при помощи шумоподавления сверточная нейронная сеть (DnCNN [1]). Сеть Denoising может использоваться, чтобы оценить шум в шумном изображении и затем удалить его, чтобы получить изображение denoised.

Демонстрирует генерацию кода для применения глубокого обучения, пользующегося библиотекой NVIDIA TensorRT™. Это использует codegen команду, чтобы сгенерировать файл MEX, чтобы запустить прогноз с сетью классификации изображений ResNet-50 использование TensorRT. Второй пример демонстрирует использование codegen команды, чтобы сгенерировать файл MEX, который запускает 8-битный целочисленный прогноз с TensorRT для сети классификации логотипов.

Демонстрирует генерацию кода с пакетными размерами, больше, чем 1. Эта демонстрация содержит два примера, во-первых, cnncodegen использования, чтобы сгенерировать код, который берет в пакете изображений, как введено. Второй пример создает файл MEX с помощью codegen и передает пакет изображений, как введено.

Сгенерируйте код CUDA® для Обнаружения объектов Используя Глубокое обучение (Computer Vision Toolbox) пример YOLO v2 от Computer Vision Toolbox™.

Разверните алгоритмы Image Processing Toolbox™ на плате NVIDIA® Jetson TX2 с помощью Пакета Поддержки GPU Coder™ для NVIDIA графические процессоры. Функция imtophat, которая выполняет морфологическую фильтрацию цилиндра на полутоновом изображении, используется в качестве примера, чтобы продемонстрировать эту концепцию. Фильтрация цилиндра вычисляет морфологическое открытие изображения (использующий imopen) и затем вычитает результат оригинального изображения. Сгенерированный код CUDA использует общую память, чтобы ускорить операции на графическом процессоре.

Сгенерируйте код CUDA® от объекта DAGNetwork и разверните сгенерированный код на плату NVIDIA® Jetson TX2 с помощью Пакета Поддержки GPU Coder™ для NVIDIA графические процессоры. Этот пример использует resnet50 нейронную сеть для глубокого обучения, чтобы классифицировать изображения от видеопотока веб-камеры USB.