Exponenta Banner

Глубокое обучение для GPU Coder

Сгенерируйте код CUDA® для глубоких нейронных сетей

Глубокое обучение является ответвлением машинного обучения, которое учит компьютеры делать то, что прибывает естественно к людям: учитесь на опыте. Алгоритмы изучения используют вычислительные методы, чтобы “узнать” об информации непосредственно из данных, не полагаясь на предопределенное уравнение как на модель. Глубокое обучение использует сверточные нейронные сети (CNNs), чтобы изучить полезные представления данных непосредственно из изображений. Нейронные сети комбинируют несколько нелинейных слоев обработки, с помощью простых элементов, действующих параллельно и вдохновленный биологическими нервными системами. Модели глубокого обучения обучены с помощью большого набора маркированной сети передачи данных и архитектуры нейронной сети, которая содержит много слоев, обычно включая некоторые сверточные слои.

Можно использовать GPU Coder™ в тандеме с Deep Learning Toolbox™, чтобы сгенерировать код и развернуть CNN на нескольких встроенных платформах то использование процессоры NVIDIA® Tegra®. Deep Learning Toolbox обеспечивает простые команды MATLAB® для создания и соединения слоев глубокой нейронной сети. Доступность предварительно обученных сетей и примеров, таких как распознавание изображений и приложения помощи драйвера дает возможность использовать GPU Coder для глубокого обучения, даже без экспертных знаний о нейронных сетях, глубоком обучении или усовершенствованных алгоритмах компьютерного зрения.

Приложения

GPU CoderСгенерируйте код графического процессора из кода MATLAB
Check GPU InstallПроверьте и настройте среду генерации кода графического процессора

Функции

codegenСгенерируйте код C/C++ из кода MATLAB
cnncodegenСгенерируйте код и создайте статическую библиотеку для Ряда или Сети DAG
coder.loadDeepLearningNetworkЗагрузите модель нейронной сети для глубокого обучения
coder.DeepLearningConfigСоздайте объекты настройки генерации кода глубокого обучения
coder.MklDNNConfigПараметры, чтобы сконфигурировать генерацию кода глубокого обучения с Math Kernel Library Intel для Глубоких нейронных сетей
coder.CuDNNConfigПараметры, чтобы сконфигурировать генерацию кода глубокого обучения с библиотекой CUDA Deep Neural Network
coder.TensorRTConfigПараметры, чтобы сконфигурировать генерацию кода глубокого обучения с библиотекой NVIDIA TensorRT
coder.getDeepLearningLayersПоддержите сверточные слои нейронной сети для генерации кода для определенной библиотеки глубокого обучения
gpucoderexamplesПримеры продукта

Объекты

coder.gpuConfigПараметры конфигурации для генерации кода CUDA из кода MATLAB с GPU Coder
coder.gpuEnvConfigСоздайте объект настройки, содержащий параметры, переданные coder.checkGpuInstall для того, чтобы выполнить проверки среды генерации кода графического процессора

Основы

Глубокое обучение в MATLAB (Deep Learning Toolbox)

Узнайте возможности глубокого обучения в MATLAB с помощью сверточных нейронных сетей для классификации и регрессии, включая предварительно обученные сети и изучение передачи и обучение на графических процессорах, центральных процессорах, кластерах и облаках.

Узнайте о сверточных нейронных сетях (Deep Learning Toolbox)

Введение в сверточные нейронные сети и как они работают в MATLAB.

Предварительно обученные глубокие нейронные сети (Deep Learning Toolbox)

Узнать, как загружать и использовать предварительно обученные сверточные нейронные сети для классификации, изучения передачи и выделения признаков.

Обучение

Глубокое обучение для изображений (Deep Learning Toolbox)

Обучите сверточные нейронные сети с нуля или используйте предварительно обученные сети, чтобы быстро изучить новые задачи

Развернитесь к графическим процессорам

Рабочий процесс

Обзор рабочего процесса генерации кода CUDA для сверточных нейронных сетей

Поддерживаемые сети и слои

Сети и слои поддержаны для генерации кода

Сгенерированная иерархия классов CNN

Архитектура сгенерированного класса CNN и его методов

Загрузите предварительно обученные сети для генерации кода

Создайте объект SeriesNetwork или DAGNetwork для генерации кода.

Генерация кода для Нейронных сетей для глубокого обучения с cuDNN

Сгенерируйте код для предварительно обученных сверточных нейронных сетей при помощи cuDNN библиотеки

Генерация кода для нейронных сетей для глубокого обучения с TensorRT

Сгенерируйте код для предварительно обученных сверточных нейронных сетей при помощи библиотеки TensorRT

Сопутствующая информация

Популярные примеры

Code Generation for Deep Learning Networks

Генерация кода для нейронных сетей для глубокого обучения

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

Открыть скрипт
Integrating Deep Learning with GPU Coder into Simulink

Интеграция глубокого обучения для GPU Coder в Simulink

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.

Открыть скрипт
Lane Detection Optimized with GPU Coder

Обнаружение маршрута, оптимизированное с GPU Coder

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.

Открыть скрипт
Traffic Sign Detection and Recognition

Обнаружение дорожного знака и распознавание

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.

Открыть скрипт
Logo Recognition Network

Сеть распознавания логотипа

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

Открыть скрипт
Pedestrian Detection

Пешеходное обнаружение

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.

Открыть скрипт
Code Generation for Semantic Segmentation Network

Генерация кода для семантической сети сегментации

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

Открыть скрипт
Train and Deploy Fully Convolutional Networks for Semantic Segmentation

Обучите и разверните полностью Сверточные сети для семантической сегментации

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

Скрипт Open Live Script
Code Generation for Semantic Segmentation Network using U-net

Генерация кода для Семантической Сети Сегментации, использующей U-net

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

Открыть скрипт
Code Generation for Denoising Deep Neural Network

Генерация кода для глубокой нейронной сети шумоподавления

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.

Открыть скрипт
Deep Learning Prediction with NVIDIA TensorRT

Прогноз глубокого обучения с NVIDIA TensorRT

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

Открыть скрипт
Deep Learning Prediction with Different Batch Sizes

Прогноз глубокого обучения с различными пакетными размерами

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.

Открыть скрипт
Code Generation for Object Detection Using YOLO v2

Генерация кода для Обнаружения объектов Используя YOLO v2

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

Открыть скрипт
Документация GPU Coder
Поддержка