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.

Выполните генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз при помощи сетей классификации изображений, таких как MobileNet-v2, 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®. Графический процессор coder™ не поддерживает генерацию кода для блоков Simulink, но 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. Для получения дополнительной информации см. legacy_code. Чтобы проиллюстрировать эту концепцию, пример использует Обнаружение Маршрута, Оптимизированное с GPU Coder. Исходный пример использовал файл C++ с функциями OpenCV, чтобы считать системы координат, чертить маршруты и наложить информацию о частоте кадров о видеовыходе. Этот пример использует блоки Simulink от Системы Компьютерного зрения 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.

Демонстрирует, как создать автономный исполняемый файл CUDA®, который усиливает библиотеку CUDA Solver (cuSOLVER). Пример использует приложение аппроксимирования кривыми, которое подражает автоматическому отслеживанию маршрута на дороге, чтобы проиллюстрировать несколько тем, включая: Подбор кривой полиному произвольного порядка к зашумленным данным с помощью матричной QR-факторизации.

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 матричное левое деление, также известное mldivide или оператор обратной косой черты (\), 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 - извлечение признаков, описание функции и соответствие функции. Этот пример выполняет извлечение 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®, которая может обнаружить и вывести контуры маркера маршрута на изображении. Пример берет изображение RGB, как введено и использует rgb2gray, ordfilt2, hough, houghpeaks, и функции houghlines, которые являются частью Image Processing Toolbox™, чтобы произвести маршрут, обнаружил выходное изображение.

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

Выполните генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команду, чтобы сгенерировать MEX-функцию, которая запускает прогноз при помощи сетей классификации изображений, таких как MobileNet-v2, ResNet и GoogLeNet.

Интегрируйте код CUDA®, сгенерированный для нейронной сети для глубокого обучения в Simulink®. Графический процессор coder™ не поддерживает генерацию кода для блоков Simulink, но 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. Для получения дополнительной информации см. legacy_code. Чтобы проиллюстрировать эту концепцию, пример использует Обнаружение Маршрута, Оптимизированное с GPU Coder. Исходный пример использовал файл C++ с функциями OpenCV, чтобы считать системы координат, чертить маршруты и наложить информацию о частоте кадров о видеовыходе. Этот пример использует блоки Simulink от Системы Компьютерного зрения Toolbox™, чтобы выполнить те же операции.

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

Сгенерируйте 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.

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

Генерация кода для пешеходного приложения обнаружения, которое использует глубокое обучение. Пешеходное обнаружение является ключевым вопросом в компьютерном зрении. Пешеходное обнаружение имеет несколько приложений в областях автономного управления автомобилем, наблюдения, робототехники, и так далее.

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

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

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

Сгенерируйте CUDA® MEX из кода MATLAB® и denoise полутоновых изображений при помощи сверточной нейронной сети шумоподавления (DnCNN [1]). Можно использовать сеть шумоподавления, чтобы оценить шум в шумном изображении, и затем удалить его, чтобы получить изображение denoised.

Генерация кода для применения глубокого обучения при помощи библиотеки NVIDIA TensorRT™. Это использует codegen команду, чтобы сгенерировать файл MEX, чтобы выполнить прогноз с сетью классификации изображений ResNet-50 при помощи TensorRT. Второй пример демонстрирует использование codegen команды, чтобы сгенерировать файл MEX, который выполняет 8-битный целочисленный прогноз при помощи 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 CUDA® MEX для вы только смотрите однажды (YOLO) v2 детектор объектов. Сеть обнаружения объектов YOLO v2 состоит из двух подсетей. Сеть извлечения признаков сопровождается сетью обнаружения. Этот пример генерирует код для сети, обученной в Обнаружении объектов Используя пример YOLO v2 от Computer Vision Toolbox™. Для получения дополнительной информации смотрите, что Обнаружение объектов Использует Глубокое обучение (Computer Vision Toolbox) YOLO v2.

Используйте функцию cnncodegen, чтобы сгенерировать код для приложения классификации изображений, которое использует глубокое обучение на ARM® Mali графические процессоры. Пример использует сеть MobileNet-v2 DAG, чтобы выполнить классификацию изображений. Сгенерированный код использует в своих интересах библиотеку ARM Compute для компьютерного зрения и машинного обучения.

Сгенерируйте код CUDA® для сети долгой краткосрочной памяти (LSTM). Пример генерирует приложение MEX, которое делает прогнозы на каждом шаге входа timeseries. Этот пример использует данные о датчике акселерометра из смартфона, продолжил тело и делает прогнозы на действии владельца. Пользовательские перемещения классифицируются в одну из пяти категорий, а именно, танца, выполнения, нахождения, положения и обхода. Пример использует предварительно обученную сеть LSTM. Для получения дополнительной информации об обучении смотрите, что Классификация Последовательностей Использует Глубокое обучение (Deep Learning Toolbox) пример от Deep Learning Toolbox™.

Сгенерируйте и разверните исполняемый файл CUDA® для приложения сегментации изображений, которое использует глубокое обучение. Это использует Пакет Поддержки GPU Coder™ в NVIDIA® графические процессоры, чтобы развернуть исполняемый файл на платформе Drive™ NVIDIA. Этот пример выполняет генерацию кода на хосте - компьютере и создает сгенерированный код на целевой платформе при помощи удаленной возможности сборки пакета поддержки. Для получения дополнительной информации о Семантической Сегментации смотрите Генерацию кода для Сети Семантической Сегментации.

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

Используйте Пакет Поддержки GPU Coder™ в NVIDIA графические процессоры и соединитесь с NVIDIA® DRIVE™ и аппаратными платформами Джетсона, выполните основные операции, сгенерируйте исполняемый файл CUDA® от функции MATLAB® и запустите исполняемый файл на оборудовании. Пример сложения простого вектора используется, чтобы продемонстрировать эту концепцию.

Получение и процесс отображают от Модуля Камеры Raspberry Pi V2, соединенный с NVIDIA® Jetson Nano с помощью Пакета Поддержки GPU Coder™ в NVIDIA графические процессоры. Пакет Поддержки GPU Coder для NVIDIA графические процессоры позволяет вам получать изображения от Модуля Камеры V2 и приносить им прямо в среду MATLAB® для обработки. В этом примере вы изучите, как разработать алгоритм обнаружения ребра Sobel при помощи этой возможности.

Сгенерируйте и разверните исполняемый файл CUDA® для приложения сегментации изображений, которое использует глубокое обучение. Это использует Пакет Поддержки GPU Coder™ в NVIDIA® графические процессоры, чтобы развернуть исполняемый файл на платформе Drive™ NVIDIA. Этот пример выполняет генерацию кода на хосте - компьютере и создает сгенерированный код на целевой платформе при помощи удаленной возможности сборки пакета поддержки. Для получения дополнительной информации о Семантической Сегментации смотрите Генерацию кода для Сети Семантической Сегментации.

Разверните алгоритмы Image Processing Toolbox™ в плату NVIDIA® Jetson TX2 с помощью Пакета Поддержки GPU Coder™ в 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™ в NVIDIA графические процессоры. Этот пример использует resnet50 нейронную сеть для глубокого обучения, чтобы классифицировать изображения от видеопотока веб-камеры USB.