Генерация кода и поддержка графического процессора

Сгенерируйте C/C++ и код CUDA® и MEX-функции и функции запуска на графическом процессоре (GPU)

MATLAB® Coder™ генерирует совместимый ANSI код C/C++ и независимые исполняемые файлы от функций Wavelet Toolbox™ та поддержка генерация кода C/C++. GPU Coder™ генерирует код CUDA и независимые исполняемые файлы для функций та поддержка генерация кода графического процессора. Wavelet Toolbox также включает функции, которые могут автоматически работать на графическом процессоре. Эта поддержка требует Parallel Computing Toolbox™.

Это представляет в виде таблицы, показывает поддерживаемые рабочие процессы Wavelet Toolbox.

Рабочий процессГенерация кода C/C++Генерация кода графического процессораУскорение графического процессора
Частота времени✓✓✓
Анализ сигнала✓✓✓
Анализ изображения✓✓✓
Шумоподавление✓  
Ортогональные и биоортогональные наборы фильтров✓  

Подсвеченные темы

Рекомендуемые примеры

Denoise Signal Using Generated C Code

Сигнал Denoise Используя сгенерированный код C

Сгенерируйте код С, содержащий функции Wavelet Toolbox для шумоподавления.

Скрипт Open Live Script
CUDA Code from CWT

Код CUDA от CWT

Узнать, как сгенерировать Код CUDA для CWT.

Открыть скрипт
Code Generation for a Deep Learning Simulink Model to Classify ECG Signals

Генерация кода для глубокого обучения модель Simulink, чтобы классифицировать сигналы ECG

Демонстрирует, как можно использовать мощные методы обработки сигналов и Сверточные нейронные сети вместе, чтобы классифицировать сигналы ECG. Мы также продемонстрируем, как код CUDA® может быть сгенерирован из модели Simulink®. Этот пример использует предварительно обученную сеть CNN от Классифицировать Временных рядов Используя пример Анализа и Глубокого обучения Вейвлета Wavelet Toolbox™, чтобы классифицировать сигналы ECG на основе изображений от CWT данных временных рядов. Для получения информации об обучении смотрите, Классифицируют Временные ряды Используя Анализ Вейвлета и Глубокое обучение.

Открыть скрипт
Deploy Signal Classifier Using Wavelets and Deep Learning on Raspberry Pi

Разверните классификатор сигнала Используя вейвлеты и глубокое обучение на Raspberry Pi

Рабочий процесс, чтобы классифицировать человеческую электрокардиограмму (ECG) сигналы с помощью Непрерывного преобразования вейвлета (CWT) и глубокой сверточной нейронной сети (CNN). Этот пример также предоставляет информацию о том, как сгенерировать и развернуть код и CNN для предсказания на цели Raspberry Pi (устройство ARM®-based).

Скрипт Open Live Script
Deploy Signal Classifier on NVIDIA Jetson Using Wavelet Analysis and Deep Learning

Разверните классификатор сигнала на NVIDIA Джетсон Используя анализ вейвлета и глубокое обучение

Сгенерируйте и разверните исполняемый файл CUDA®, который классифицирует человеческую электрокардиограмму (ECG) сигналы, использующие функции, извлеченные непрерывным вейвлетом преобразовывает (CWT) и предварительно обученной сверточной нейронной сетью (CNN).

Скрипт Open Live Script
GPU Acceleration of Scalograms for Deep Learning

Ускорение графического процессора Scalograms для глубокого обучения

Ускорьте scalogram расчет с помощью графических процессоров. Вычисленные scalograms используются в качестве входных функций к глубоким нейронным сетям свертки (CNN) для ECG и разговорной классификации цифр.

Скрипт Open Live Script
Wavelet Time Scattering with GPU Acceleration — Spoken Digit Recognition

Время вейвлета, рассеиваясь с ускорением графического процессора — разговорное распознавание цифры

Ускорьте расчет вейвлета, рассеивающего функции с помощью gpuArray. У вас должны быть Parallel Computing Toolbox™ и поддерживаемый графический процессор. Смотрите Поддержку графического процессора Релизом для деталей. Этот пример использует Титана NVIDIA, V графических процессоров с вычисляют возможность 7.0.

Скрипт Open Live Script
Modulation Classification Using Wavelet Analysis on NVIDIA Jetson

Классификация модуляций Используя анализ вейвлета NVIDIA Джетсон

Сгенерируйте и разверните исполняемый файл CUDA®, который выполняет функции использующего классификации модуляций, извлеченные непрерывным вейвлетом преобразовывает (CWT) и предварительно обученной сверточной нейронной сетью (CNN).

Скрипт Open Live Script

Документация Wavelet Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте