В типичном рабочем процессе Convolutional Neural Networks (CNN) вы начинаете с построения архитектуры CNN с помощью Deep Learning Toolbox™ и обучаете сеть в паре с Parallel Computing Toolbox™. Кроме того, можно импортировать ConvNet уже обучен большому набору данных и переносит изученные функции. Transfer learning подразумевает прием CNN, обученного для одного набора проблем классификации, и его переподготовку для классификации другого набора классов. Здесь заново изучаются последние несколько уровней CNN. Опять же, на этапе обучения используется панель инструментов Parallel Computing Toolbox. Вы также можете импортировать обученную сеть CNN из других платформ, таких как Caffe или MatConvNet, в SeriesNetwork объект.
Получив обученную сеть, вы можете использовать графический процессор Coder™ для создания кода C++ или CUDA ® и развертывания CNN на нескольких встраиваемых платформах, использующих процессоры NVIDIA ® или ARM ® GPU. Сгенерированный код реализует CNN с помощью архитектуры, уровней и параметров, заданных при вводеSeriesNetwork (инструментарий глубокого обучения) или DAGNetwork(Панель инструментов глубокого обучения).
Генератор кода использует преимущества библиотеки глубоких нейронных сетей NVIDIA CUDA (cuDNN), библиотеки высокопроизводительных выводов NVIDIA TensorRT™ для графических процессоров NVIDIA и вычислительной библиотеки ARM для компьютерного зрения и машинного обучения для графических процессоров ARM Mali.
Созданный код может быть интегрирован в проект в виде исходного кода, статических или динамических библиотек или исполняемых файлов, которые можно развернуть на различных платформах графического процессора NVIDIA и ARM Mali. Для глубокого изучения целей графического процессора ARM Mali необходимо создать код на хост-компьютере разработки. Затем, чтобы построить и запустить исполняемую программу, переместите созданный код на целевую платформу ARM.
coder.CodeConfig | coder.CuDNNConfig | coder.EmbeddedCodeConfig | coder.gpuConfig | coder.gpuEnvConfig | coder.TensorRTConfig