Квантование глубокого обучения

Квантование глубоких нейронных сетей

Осмыслите эффекты квантования и как визуализировать динамические области значений слоев свертки сети.

Генерация кода для квантованных нейронных сетей для глубокого обучения (GPU Coder)

Квантуйте и сгенерируйте код для предварительно обученной сверточной нейронной сети.

Генерация кода для квантованных нейронных сетей для глубокого обучения (MATLAB Coder)

Квантуйте и сгенерируйте код для предварительно обученной сверточной нейронной сети.

Генерация кода MATLAB

Сгенерируйте код MATLAB из Deep Network Designer

Сгенерируйте код MATLAB, чтобы воссоздать разработку и обучение сети в Deep Network Designer.

Генерация кода GPU

Глубокое обучение с помощью GPU Coder (GPU Coder)

Сгенерируйте код CUDA для глубоких нейронных сетей

Генерация кода для модели глубокого обучения Simulink, которая выполняет обнаружение маршрута и транспортного средства (GPU Coder)

Этот пример показывает, как разработать приложение CUDA ® из модели Simulink ®, которое выполняет обнаружение маршрута и транспортного средства с помощью сверточных нейронных сетей (CNN ).

Сгенерируйте изображения цифр на графическом процессоре NVIDIA с помощью вариационного автоэнкодера (GPU Coder)

В этом примере показано, как сгенерировать CUDA ® MEX для обученной сети вариационного автоэнкодера (VAE ).

Генерация кода для обнаружения объектов с использованием глубокого обучения YOLO v3

В этом примере показано, как сгенерировать CUDA ® MEX для детектора объектов (YOLO) v3 только один раз с пользовательскими слоями .

Генерация кода для модели глубокого обучения Simulink для классификации сигналов ECG (GPU Coder)

Этот пример демонстрирует, как можно использовать мощные методы обработки сигналов и сверточные нейронные сети вместе для классификации сигналов ЭКГ.

Генерация кода для нейронных сетей для глубокого обучения

В этом примере показано, как выполнить генерацию кода для приложения классификации изображений, которое использует глубокое обучение.

Генерация кода для сети LSTM с последовательностью в последовательности

Этот пример демонстрирует, как сгенерировать код CUDA ® для сети долгой краткосрочной памяти (LSTM ).

Предсказание глубокого обучения на графическом процессоре ARM Mali

В этом примере показано, как использовать cnncodegen функция для генерации кода для приложения классификации изображений, которое использует глубокое обучение на графических процессорах ARM ® Mali .

Развертывание классификатора сигналов на NVIDIA Jetson с помощью анализа вейвлет и глубокого обучения

Этот пример показывает, как сгенерировать и развернуть исполняемый файл CUDA ®, который классифицирует сигналы электрокардиограммы (ЭКГ) человека, используя функции, извлеченные непрерывным вейвлет (CWT) и предварительно обученной сверточной нейронной сетью (CNN).

Генерация кода для обнаружения объектов при помощи YOLO v2

В этом примере показано, как сгенерировать CUDA ® MEX для детектора объектов (YOLO) v2 только один раз .

Обнаружение маршрута, оптимизированное с помощью GPU Coder

В этом примере показано, как сгенерировать код CUDA ® из сети глубокого обучения, представленной SeriesNetwork объект.

Глубокое обучение при помощи NVIDIA TensorRT

В этом примере показана генерация кода для применения глубокого обучения с помощью библиотеки TensorRT™ NVIDIA.

Обнаружение и распознавание дорожных знаков

В этом примере показано, как сгенерировать код CUDA ® MEX для приложения обнаружения и распознавания дорожных знаков, которое использует глубокое обучение .

Сеть распознавания логотипов

В этом примере показана генерация кода для приложения классификации логотипов, которое использует глубокое обучение.

Генерация кода для шумоподавления глубокой нейронной сети

В этом примере показано, как сгенерировать CUDA ® MEX из кода MATLAB ® и денуизировать изображения в полутоновом цвете с помощью деноизирующей сверточной нейронной сети (DnCNN [1 ]).

Генерация кода для семантической сети сегментации

В этом примере показана генерация кода для приложения сегментации изображений, которое использует глубокое обучение.

Обучение и развертывание полностью сверточных сетей для семантической сегментации

В этом примере показано, как обучить и развернуть полностью сверточную сеть семантической сегментации на графическом процессоре NVIDIA ® с помощью GPU Coder™.

Генерация кода для семантической сети сегментации, которая использует U-net

В этом примере показана генерация кода для приложения сегментации изображений, которое использует глубокое обучение.

Генерация кода CPU

Генерация кода для глубокого обучения на ARM-целях

В этом примере показано, как сгенерировать и развернуть код для предсказания на устройстве на базе ARM ® без использования пакета аппаратной поддержки.

Глубокое обучение с помощью ARM Compute с использованием codegen

В этом примере показано, как использовать codegen чтобы сгенерировать код для приложения классификации логотипов, которое использует глубокое обучение на процессорах ARM ® .

Генерация кода глубокого обучения на целевых устройствах Intel для различных размеров пакетов

В этом примере показано, как использовать codegen команда для генерации кода для приложения классификации изображений, использующего глубокое обучение на процессорах Intel ® .

Сгенерируйте изображения цифр с помощью вариационного автоэнкодера на центральных процессорах Intel (MATLAB Coder)

Сгенерируйте код для обученной сети VAE dlnetwork, чтобы сгенерировать нарисованные вручную цифры.

Сгенерируйте код С++ для обнаружения объектов с использованием YOLO v2 и Intel MKL-DNN

В этом примере показано, как сгенерировать код С++ для сети обнаружения объектов YOLO v2 на процессоре Intel ® .

Развертывание классификатора сигналов с помощью вейвлетов и глубокого обучения на Raspberry Pi

Этот пример показывает рабочий процесс классификации сигналов электрокардиограммы (ЭКГ) человека с помощью Непрерывного Преобразования Вейвлета (CWT) и глубокой сверточной нейронной сети (CNN).

Развертывание глубокой сети сегментации сигналов на Raspberry Pi

Сгенерируйте MEX-функцию и независимый исполняемый файл для выполнения сегментации формы волны на Raspberry Pi™.

Генерация кода и развертывание MobileNet-v2 сети на Raspberry Pi

В этом примере показано, как сгенерировать и развернуть код С++, который использует MobileNet-v2 предварительно обученную сеть для предсказания объектов.

Генерация кода для семантической сегментации на центральных процессорах Intel, использующих U-Net

Сгенерируйте MEX-функцию, которое выполняет сегментацию изображений с помощью нейронной сети для глубокого обучения U-Net на центральных процессорах Intel.

Генерация кода для семантического приложения сегментации на целевых устройствах ARM ® Neon, которые используют U-Net

Сгенерируйте статическую библиотеку, которая выполняет сегментацию изображений с помощью нейронной сети для глубокого обучения U-Net на целевых устройствах ARM.

Генерация кода для сети LSTM на Raspberry Pi

Сгенерируйте код для предварительно обученной сети долгой краткосрочной памяти, чтобы предсказать оставшуюся полезную жизнь (RUI) машины.

Генерация кода для сети LSTM, использующей Intel MKL-DNN

Сгенерируйте код для предварительно обученной сети LSTM, которая делает предсказания для каждого шага входного timeseries.

Перекрестное скомпилирование кода глубокого обучения для ARM Neon Target

Сгенерируйте библиотеку или исполняемый код на хост-компьютер для развертывания на ARM оборудования цели.

Генерация кода для квантованной нейронной сети для глубокого обучения на Raspberry Pi (MATLAB Coder)

Сгенерируйте код для нейронной сети для глубокого обучения, которая выполняет расчеты вывода в 8-битных целых числах.

Сгенерируйте генеративный код C/C + + для регрессии «последовательность-последовательность», которая использует глубокое обучение

Сгенерируйте код C/C + + для обученного CNN, который не зависит ни от каких сторонних библиотек.

Загрузка предварительно обученных сетей для генерации кода (MATLAB Coder)

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

Глубокое обучение с MATLAB Coder (MATLAB Coder)

Сгенерируйте Код С++ для глубоких нейронных сетей (требует Deep Learning Toolbox)