В типичном рабочем процессе Сверточных нейронных сетей (CNN) вы начинаете с построения архитектуры CNN при помощи Deep Learning Toolbox™ и обучаете сеть в тандеме с Parallel Computing Toolbox™. В качестве альтернативы можно импортировать ConvNet уже обученный на большом наборе данных и передаче изученные функции. Передача обучения подразумевает взятие CNN, обученного одному набору проблем классификации и переобучения его, чтобы классифицировать различный набор классов. Здесь последние несколько слоев CNN повторно изучены. Снова, Parallel Computing Toolbox используется в фазе изучения. Можно также импортировать обученную сеть CNN из других сред как Caffe или MatConvNet в SeriesNetwork объект.
Если вы получили обучивший сеть, можно использовать GPU Coder™, чтобы сгенерировать C++ или код CUDA® и развернуть CNN на нескольких встроенных платформах, которые используют NVIDIA® или процессоры GPU ARM®. Сгенерированный код реализует CNN при помощи архитектуры, слоев и параметров, которые вы задаете во входе SeriesNetwork (Deep Learning Toolbox) или DAGNetwork Объект (Deep Learning Toolbox).
Генератор кода использует в своих интересах NVIDIA библиотека глубокой нейронной сети CUDA (cuDNN), высокопроизводительная библиотека вывода NVIDIA TensorRT™ для NVIDIA, графические процессоры и ARM Вычисляют Библиотеку для компьютерного зрения и машинное обучение для ARM Mali графические процессоры.
Сгенерированный код может быть интегрирован в ваш проект как исходный код, статические или динамические библиотеки или исполняемые файлы, что можно развернуть в разнообразие NVIDIA и ARM Mali платформы графического процессора. Для выполнения глубокого обучения на ARM Mali цели графического процессора вы генерируете код по компьютеру разработчика хоста. Затем чтобы создать и запустить исполняемую программу перемещают сгенерированный код в целевую платформу ARM.
coder.CodeConfig | coder.CuDNNConfig | coder.EmbeddedCodeConfig | coder.gpuConfig | coder.gpuEnvConfig | coder.TensorRTConfig