В типичном рабочем процессе Сверточные Нейронные Сети (CNN) вы начинаете с построения архитектуры CNN с помощью Deep Learning Toolbox™ и обучаете сеть в паре с Parallel Computing Toolbox™. Также можно импортировать ConvNet уже обучен на большом наборе данных и передаёт выученные функции. Передача обучения подразумевает получение CNN, обученного для одного набора задач классификации и переобучение его для классификации другого набора классов. Здесь переучиваются последние несколько слоев CNN. Снова Parallel Computing Toolbox используется в фазе обучения. Можно также импортировать обученную сеть CNN из других сред, таких как Caffe или MatConvNet, в SeriesNetwork объект.
Как только вы получили обученную сеть, можно использовать GPU Coder™ для генерации C++ или CUDA® код и развертывание CNN на нескольких встраиваемых платформах, которые используют NVIDIA® или ARM® Графические процессоры. Сгенерированный код реализует CNN с помощью архитектуры, слоев и параметров, которые вы задаете во входе SeriesNetwork (Deep Learning Toolbox) или DAGNetwork (Deep Learning Toolbox) объект.
Генератор кода использует преимущества библиотеки глубоких нейронных сетей (cuDNN) NVIDIA TensorRT™ библиотеки вывода высокой эффективности для графических процессоров NVIDIA и библиотеки ARM Compute Library для компьютерного зрения и машинного обучения для графических процессоров ARM Mali.
Сгенерированный код может быть интегрирован в ваш проект в виде исходного кода, статических или динамических библиотек или исполняемых файлов, которые можно развернуть на различных платформах NVIDIA и ARM Mali GPU. Для выполнения глубокого обучения на целевых графических процессорах ARM Mali, вы генерируете код на компьютере разработчика хоста. Затем, чтобы создать и запустить исполняемую программу, переместите сгенерированный код на целевую платформу ARM.
coder.CodeConfig | coder.CuDNNConfig | coder.EmbeddedCodeConfig | coder.gpuConfig | coder.gpuEnvConfig | coder.TensorRTConfig