Используйте Deep Network Designer для создания кода MATLAB для создания и обучения сети.
Используйте MATLAB Coder™ или GPU Coder™ вместе с Deep Learning Toolbox™ для генерации кода C++ или CUDA и развертывания сверточных нейронных сетей на встраиваемых платформах, использующих процессоры Intel ®, ARM ® или NVIDIA ® Tegra ®.
dlquantizer | Квантование глубокой нейронной сети в 8-битные масштабированные целочисленные типы данных |
dlquantizationOptions | Варианты квантования обученной глубокой нейронной сети |
calibrate | Моделирование и сбор диапазонов глубокой нейронной сети |
validate | Квантование и проверка глубокой нейронной сети |
| Глубокий сетевой квантователь | Квантование глубокой нейронной сети в 8-битные масштабированные целочисленные типы данных |
Квантование глубоких нейронных сетей
Понимание эффектов квантования и способов визуализации динамических диапазонов уровней сетевой свертки.
Создание кода для квантованных сетей глубокого обучения (кодер GPU)
Квантовать и генерировать код для предварительно обученной сверточной нейронной сети.
Создание кода для квантованных сетей глубокого обучения (кодер MATLAB)
Квантовать и генерировать код для предварительно обученной сверточной нейронной сети.
Создание кода MATLAB от разработчика глубоких сетей
Создание кода MATLAB для повторного проектирования и обучения сети в Deep Network Designer.
Глубокое обучение с помощью кодера графического процессора (GPU Coder)
Создание кода CUDA для нейронных сетей глубокого обучения
В этом примере показано, как разработать приложение CUDA ® на основе модели Simulink ®, которое выполняет обнаружение полосы движения и транспортного средства с использованием сверточных нейронных сетей (CNN ).
Создание цифровых изображений на графическом процессоре NVIDIA с использованием вариационного автокодера (кодера графического процессора)
В этом примере показано, как создать CUDA ® MEX для обученной сети вариационного автокодера (VAE ).
Создание кода для обнаружения объектов с помощью глубокого обучения YOLO v3
В этом примере показано, как создать CUDA ® MEX для детектора объектов YOLO v3 с пользовательскими слоями .
Создание кода для модели симулятора глубокого обучения для классификации сигналов ЭКГ (кодер GPU)
В этом примере показано, как можно использовать мощные методы обработки сигналов и сверточные нейронные сети для классификации сигналов ЭКГ.
Создание кода для сетей глубокого обучения
В этом примере показано, как создать код для приложения классификации изображений, использующего глубокое обучение.
Создание кода для сети LSTM «последовательность-последовательность»
В этом примере показано, как создать код CUDA ® для сети LSTM .
Прогноз глубокого обучения на ARM Mali GPU
В этом примере показано, как использовать cnncodegen функция создания кода для приложения классификации изображений, использующего глубокое изучение графических процессоров ARM ® Mali .
В этом примере показано, как генерировать и развертывать исполняемый файл CUDA ®, который классифицирует сигналы электрокардиограммы человека (ЭКГ), используя признаки, извлеченные непрерывным вейвлет-преобразованием (CWT) и предварительно обученной сверточной нейронной сетью (CNN).
Создание кода для обнаружения объектов с помощью YOLO v2
В этом примере показано, как создать CUDA ® MEX для детектора объектов только один раз (YOLO) версии 2 .
Определение полосы, оптимизированное с помощью кодера графического процессора
В этом примере показано, как создать код CUDA ® из сети глубокого обучения, представленной SeriesNetwork объект.
Прогнозирование глубокого обучения с помощью NVIDIA TensorRT
В этом примере показано создание кода для приложения глубокого обучения с помощью библиотеки TensorRT™ NVIDIA.
Обнаружение и распознавание дорожных знаков
В этом примере показано, как создать код CUDA ® MEX для приложения обнаружения и распознавания дорожных знаков, использующего глубокое обучение .
В этом примере показано создание кода для приложения классификации логотипов, использующего глубокое обучение.
Генерация кода для деноизирующей глубокой нейронной сети
В этом примере показано, как генерировать CUDA ® MEX из кода MATLAB ® и закрывать изображения в градациях серого с помощью деноизирующей сверточной нейронной сети (DnCNN [1 ]).
Создание кода для семантической сети сегментации
В этом примере показано создание кода для приложения сегментации изображений, использующего глубокое обучение.
Обучение и развертывание полностью свернутых сетей для семантической сегментации
В этом примере показано, как обучить и развернуть полностью сверточную сеть семантической сегментации на графическом процессоре NVIDIA ® с помощью графического процессора Coder™.
Создание кода для семантической сети сегментации, использующей U-net
В этом примере показано создание кода для приложения сегментации изображений, использующего глубокое обучение.
Создание кода для глубокого обучения по целям ARM
В этом примере показано, как генерировать и развертывать код для прогнозирования на устройстве на базе ARM ® без использования пакета аппаратной поддержки.
Прогнозирование глубокого обучения с помощью вычисления ARM с использованием кодегена
В этом примере показано, как использовать codegen для создания кода для приложения классификации логотипов, использующего глубокое изучение процессоров ARM ® .
Создание кода для глубокого обучения по целям Intel для различных объемов пакетов
В этом примере показано, как использовать codegen команда для создания кода для приложения классификации изображений, использующего глубокое изучение процессоров Intel ® .
Создание цифровых изображений с помощью вариационного автокодера на процессорах Intel (кодер MATLAB)
Создание кода для обученной сети VAE для генерации рукописных цифр.
Создание кода C++ для обнаружения объектов с помощью YOLO v2 и Intel MKL-DNN
В этом примере показано, как создать код C++ для сети обнаружения объектов YOLO v2 на процессоре Intel ® .
Этот пример показывает рабочий процесс для классификации сигналов электрокардиограммы человека (ЭКГ) с использованием непрерывного вейвлет-преобразования (CWT) и глубокой сверточной нейронной сети (CNN).
Развертывание глубокой сети сегментации сигналов на Raspberry Pi
Создайте функцию MEX и автономный исполняемый файл для выполнения сегментации формы сигнала на Pi™ Raspberry.
Создание кода и развертывание сети MobileNet-v2 на Raspberry Pi
В этом примере показано, как создавать и развертывать код C++, использующий для прогнозирования объектов MobileNet-v2 предварительно подготовленную сеть.
Создание кода для семантической сегментации на процессорах Intel, использующих U-Net
Создайте функцию MEX, которая выполняет сегментацию изображений с помощью сети глубокого обучения U-Net на процессорах Intel.
Создание кода для применения семантической сегментации в целях ARM ® Neon с использованием U-Net
Создайте статическую библиотеку, которая выполняет сегментацию изображения с помощью сети глубокого обучения U-Net на объектах ARM.
Генерация кода для сети LSTM на Raspberry Pi
Создание кода для предварительно обученной сети долговременной памяти для прогнозирования остаточного срока службы (RUI) машины.
Создание кода для сети LSTM, использующей Intel MKL-DNN
Создание кода для предварительно обученной сети LSTM, которая делает прогнозы для каждого шага входных временных серий.
Cross Compile Deep Learning Code для целей ARM Neon
Создание библиотеки или исполняемого кода на хост-компьютере для развертывания на аппаратном целевом устройстве ARM.
Создание кода для квантованной сети глубокого обучения на Raspberry Pi (кодер MATLAB)
Создание кода для сети глубокого обучения, которая выполняет вычисления вывода в 8-битных целых числах.
Создание общего кода C/C + + для регрессии последовательности, использующей глубокое обучение
Создайте код C/C + + для обученного CNN, который не зависит от каких-либо сторонних библиотек.
Загрузка предварительно подготовленных сетей для генерации кода (кодер MATLAB)
Создать SeriesNetwork, DAGNetwork, yolov2ObjectDetector, ssdObjectDetector, или dlnetwork объект для создания кода.
Глубокое обучение с помощью кодера MATLAB (MATLAB Coder)
Создание кода C++ для нейронных сетей глубокого обучения (требуется инструментарий глубокого обучения)
