基于FPGA的原型深度学习网络

估计串联网络的性能。利用MATLAB对目标设备进行轮廓和检索推理结果^®

深度学习HDL工具箱™提供类来创建对象，部署系列深度学习网络到目标FPGA和SoC板。在将深度学习网络部署到目标FPGA和SoC板之前，需要利用这些方法来评估自定义深度学习网络的性能和资源利用率。深度学习网络部署完成后，利用MATLAB从目标FPGA板中检索网络预测结果。

类

`dlhdl。工作流`	配置深度学习神经网络部署流程
`dlhdl。目标`	配置接口到目标板，用于工作流部署

功能

`激活`	检索部署深度学习网络的中间层结果
`validateConnection`	验证SSH连接和已部署的位流
`释放`	释放到目标设备的连接
`预测`	对指定目标设备上部署的网络进行推理和神经网络的配置文件速度
`部署`	将指定的神经网络部署到目标FPGA板
`编译`	编译工作流对象
`getBuildInfo`	获取位流资源利用率

主题

基于FPGA和soc工作流的原型深度学习网络

使用。来加速在固定位流上运行的自定义深度学习网络的原型、部署、设计验证和迭代dlhdl。工作流对象。

基于LIBIIO/以太网连接的部署

利用MATLAB在FPGA板上快速部署深度学习网络。

概要推理运行

获得对预先训练的串联网络和指定目标FPGA板执行的推理运行的性能参数。

多帧支持万博1manbetx

通过使用多帧支持特性来提高您部署的深度学习网络的性能。万博1manbetx

特色的例子

标志识别网络

创建、编译和部署dlhdl。工作流object that has Logo Recognition Network as the network object using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. Use MATLAB® to retrieve the prediction results from the target device.

打开生活的脚本

部署传输学习网络用于车道检测

创建、编译和部署dlhdl。工作流object that has a convolutional neural network. The network can detect and output lane marker boundaries as the network object using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. Use MATLAB® to retrieve the prediction results from the target device.

打开生活的脚本

基于深度学习的图像分类

创建、编译和部署dlhdl。工作流object with alexnet as the network object by using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. Use MATLAB® to retrieve the prediction results from the target device. Alexnet is a pretrained convolutional neural network that has been trained on over a million images and can classify images into 1000 object categories (such as keyboard, coffee, mug, pencil,and many animals). You can also use VGG-19 and Darknet-19 as the network objects.

打开生活的脚本

基于FPGA的DAG网络图像分类

训练、编译和部署dlhdl。工作流object that has ResNet-18 as the network object by using the Deep Learning HDL Toolbox™ Support Package for Xilinx FPGA and SoC. Use MATLAB® to retrieve the prediction results from the target device.

打开生活的脚本

缺陷检测

部署自定义训练的系列网络来检测物体的缺陷，如六角螺母。使用迁移学习对自定义网络进行训练。迁移学习是深度学习应用中常用的一种学习方法。你可以把一个预先训练过的网络作为学习新任务的起点。用迁移学习对网络进行微调通常比用随机初始化的权值从零开始训练网络要快得多，也容易得多。你可以使用少量的训练信号快速地将学习到的特征转移到一个新的任务中。这个例子使用了两个训练过的系列网络trainedDefNet。垫和trainedBlemDetNet.mat。

打开生活的脚本