Глубокое обучение - это ветвь машинного обучения, которая учит компьютеры делать то, что приходит человеку естественным путем: учиться на опыте. Алгоритмы обучения используют вычислительные методы, чтобы «узнать» информацию непосредственно из данных, не полагаясь на заранее определенное уравнение в качестве модели. Глубокое обучение использует сверточные нейронные сети (CNNs), чтобы узнать полезные представления данных непосредственно с изображений. Нейронные сети объединяют несколько нелинейных слоев обработки, используя простые элементы, работающие параллельно и вдохновленные биологическими нервными системами. Модели глубокого обучения обучаются с помощью большого набора маркированных данных и архитектур нейронных сетей, которые содержат много слоев, обычно включая некоторые сверточные слои.
Можно использовать GPU Coder™ в паре с Deep Learning Toolbox™, чтобы сгенерировать код и развернуть CNN на нескольких встраиваемых платформах, которые используют NVIDIA® или ARM® Графические процессоры. Deep Learning Toolbox обеспечивает простой MATLAB® команды для создания и соединения слоев глубокой нейронной сети. Доступность предварительно обученных сетей и примеров, таких как приложения распознавания изображений и помощи драйверу, позволяет вам использовать GPU Coder для глубокого обучения, без экспертных знаний о нейронных сетях, глубоком обучении или передовых алгоритмах компьютерного зрения.
Загрузка предварительно обученных сетей для генерации кода
Создайте SeriesNetwork
, DAGNetwork
, yolov2ObjectDetector
, ssdObjectDetector
, или dlnetwork
объект для генерации кода.
Генерация кода для нейронных сетей для глубокого обучения при помощи cuDNN
Сгенерируйте код для предварительно обученных сверточных нейронных сетей с помощью библиотеки cuDNN.
Генерация кода для нейронных сетей для глубокого обучения при помощи TensorRT
Сгенерируйте код для предварительно обученных сверточных нейронных сетей с помощью библиотеки TensorRT.
Сгенерируйте Код С++ для предсказания от нейронной сети для глубокого обучения, нацеленной на процессор ARM Mali графического процессора.
Факторы о размещении данных в глубоком обучении
Факторы размещения фундаментальных данных для авторского примера основных функций.
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
Квантуйте и сгенерируйте код для предварительно обученной сверточной нейронной сети.
Глубокое обучение в Simulink при помощи блока MATLAB function
Симулируйте и сгенерируйте код для моделей глубокого обучения в Simulink с помощью блоков MATLAB function.
Глубокое обучение в Simulink при помощи библиотеки глубоких нейронных сетей
Симулируйте и сгенерируйте код для моделей глубокого обучения в Simulink с помощью библиотечных блоков.
Целевые платы NVIDIA для встраиваемых систем
Сборка и развертывание на платах графических процессоров NVIDIA.