Exponenta Banner

Глубокое обучение для GPU Coder

Сгенерируйте код CUDA® для глубоких нейронных сетей

Глубокое обучение является ветвью машинного обучения, которое учит компьютеры делать то, что прибывает естественно к людям: учитесь на опыте. Алгоритмы обучения используют вычислительные методы, чтобы “узнать” об информации непосредственно из данных, не используя предопределенное уравнение как 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 при помощи большого набора маркированных данных и архитектур нейронной сети, которые содержат 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, которые используют NVIDIA® или процессоры GPU ARM®. 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 позволяет вам использовать GPU Coder в глубоком обучении, 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.getDeepLearningLayersПоддержите слои сверточной нейронной сети для генерации кода для определенной библиотеки глубокого обучения

Объекты

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.gpuConfigПараметры конфигурации для генерации кода CUDA из кода MATLAB при помощи 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 сверточных нейронных сетях использования MATLAB для классификации и регрессии, включая предварительно обученные сети и передачу обучения 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 в классификации, передаче обучения и извлечении 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

Разверните сгенерированный код в графические процессоры

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 SeriesNetwork, DAGNetwork, yolov2ObjectDetector, или ssdObjectDetector объект для генерации кода.

Генерация кода для Нейронных сетей для глубокого обучения при помощи cuDNN

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

Генерация кода для нейронных сетей для глубокого обучения при помощи TensorRT

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

Генерация кода для нейронных сетей для глубокого обучения, предназначающихся для ARM Мали графические процессоры

Сгенерируйте Код С++ для предсказания от нейронной сети для глубокого обучения, предназначающейся для ARM процессор GPU Мали.

Факторы формата данных в глубоком обучении

Основные факторы формата данных для авторского примера основные функции.

Квантование глубоких нейронных сетей

Изучите эффекты квантования и как визуализировать динамические диапазоны сетевых слоев свертки.

Генерация кода для квантованных нейронных сетей для глубокого обучения

Квантуйте и сгенерируйте код для предварительно обученной сверточной нейронной сети.

Сопутствующая информация

Рекомендуемые примеры

Code Generation for Deep Learning Networks

Генерация кода для нейронных сетей для глубокого обучения

Выполните генерацию кода для приложения классификации изображений, которое использует глубокое обучение. Это использует codegen команда, чтобы сгенерировать MEX-функцию, которая запускает предсказание при помощи сетей классификации изображений, таких как MobileNet-v2, 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®. 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.

Открыть скрипт
Lane Detection Optimized with GPU Coder

Обнаружение маршрута, оптимизированное с GPU Coder

Сгенерируйте код CUDA® от нейронной сети для глубокого обучения, представленной SeriesNetwork объект. В этом примере серийная сеть 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

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.

Открыть скрипт
Logo Recognition Network

Сеть распознавания логотипа

Генерация кода для приложения классификации логотипов, которое использует глубокое обучение. Это использует codegen команда, чтобы сгенерировать MEX-функцию, которая выполняет предсказание на SeriesNetwork возразите названному LogoNet.

Открыть скрипт
Pedestrian Detection

Пешеходное обнаружение

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.

Открыть скрипт
Code Generation for Semantic Segmentation Network

Генерация кода для сети Семантической Сегментации

Генерация кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команда, чтобы сгенерировать MEX-функцию, которая выполняет предсказание на Сетевом объекте DAG для SegNet [1], 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 сеть семантической сегментации на графическом процессоре NVIDIA® при помощи GPU Coder™.

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

Генерация кода для сети Семантической Сегментации при помощи U-net

Генерация кода для приложения сегментации изображений, которое использует глубокое обучение. Это использует codegen команда, чтобы сгенерировать MEX-функцию, которая выполняет предсказание на Сетевом объекте DAG для U-Net, 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 сверточной нейронной сети шумоподавления (DnCNN [1]). Можно использовать сеть шумоподавления, чтобы оценить шум в шумном изображении, и затем удалить его, чтобы получить изображение denoised.

Открыть скрипт
Deep Learning Prediction by Using NVIDIA TensorRT

Предсказание глубокого обучения при помощи NVIDIA TensorRT

Генерация кода для применения глубокого обучения при помощи библиотеки NVIDIA TensorRT™. Это использует codegen команда, чтобы сгенерировать файл MEX, чтобы выполнить предсказание с ResNet-50 отображает сеть классификации при помощи TensorRT. Второй пример демонстрирует использование codegen команда, чтобы сгенерировать файл MEX, который выполняет 8-битное целочисленное предсказание при помощи TensorRT для сети классификации логотипов.

Открыть скрипт
Deep Learning Prediction by Using Different Batch Sizes

Предсказание глубокого обучения при помощи различных пакетных размеров

Демонстрирует генерацию кода с пакетными размерами, больше, чем 1. Эта демонстрация содержит два примера, во-первых, cnncodegen использования 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 by Using YOLO v2

Генерация кода для Обнаружения объектов при помощи YOLO v2

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 Глубокого обучения от Computer Vision Toolbox™. Для получения дополнительной информации смотрите, что Обнаружение объектов Использует Глубокое обучение (Computer Vision Toolbox) YOLO v2. Можно изменить этот пример, чтобы сгенерировать CUDA® MEX для сети, импортированной в Импорте Предварительно обученный пример ONNX YOLO v2 Детектора объектов от Computer Vision Toolbox™. Для получения дополнительной информации смотрите Импорт Предварительно обученный Детектор объектов (Computer Vision Toolbox) ONNX YOLO v2.

Открыть скрипт
Code Generation for Object Detection by Using Single Shot Multibox Detector

Генерация кода для обнаружения объектов при помощи одного детектора мультиполя выстрела

Сгенерируйте код CUDA® для сети SSD (ssdObjectDetector объект) и используйте в своих интересах библиотеки TensorRT и NVIDIA® cuDNN. Сеть SSD основана на сверточной нейронной сети feedforward, которые обнаруживают несколько объектов в изображении в одном выстреле. Сеть SSD может считаться наличием двух подсетей. Сеть извлечения признаков, сопровождаемая сетью обнаружения.

Открыть скрипт
Deep Learning Prediction on ARM Mali GPU

Предсказание глубокого обучения на ARM Мали графический процессор

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

Открыть скрипт
Code Generation for a Sequence-to-Sequence LSTM Network

Генерация кода для сети от последовательности к последовательности LSTM

Демонстрирует, как сгенерировать код CUDA® для сети долгой краткосрочной памяти (LSTM). Пример генерирует приложение MEX, которое делает предсказания на каждом шаге входа timeseries. Продемонстрированы два метода: метод с помощью стандартной сети LSTM и метода, усиливающего поведение с сохранением информации той же сети LSTM. Этот пример использует данные о датчике акселерометра из смартфона, продолжил тело и делает предсказания 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™.

Открыть скрипт
Semantic Segmentation on NVIDIA DRIVE

Семантическая Сегментация на ДИСКЕ NVIDIA

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.

Открыть скрипт
Deployment and Classification of Webcam Images on NVIDIA Jetson TX2 Platform

Развертывание и классификация изображений веб-камеры на NVIDIA платформа Джетсона TX2

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.

Открыть скрипт
Документация GPU Coder
Поддержка