深度学习网络部署嵌入式GPU和cpu使用GPU编码器

概述

设计和部署深度学习和计算机视觉应用的嵌入式CPU和GPU平台是具有挑战性的,因为嵌入式设备中固有的资源约束。一个MATLAB^®基于工作流的设计促进这些应用程序,自动生成C或CUDA^®代码可以部署在董事会的杰森,TX2和驱动PX和实现非常快的推理。

演示说明MATLAB支持所有主要阶段的工作流程。万博1manbetx从算法设计,算法可以采用深度学习网络增强与传统计算机视觉技术和可以在MATLAB中进行测试和验证。接下来,这些网络被训练使用GPU和并行计算支持MATLAB在桌面上,集群,或云。万博1manbetx最后,GPU编码器™生成可移植和优化的C / c++和/或CUDA^®从MATLAB算法代码,然后交叉编译和部署到cpu和/或Tegra^®董事会。基准测试显示,代码自动生成的CUDA的性能比TensorFlow ~快5倍^®~ 2 x比MXNet快。

突出了

学习如何看这个演讲:

1。访问和管理大型图像集

2。可视化网络和洞察的训练过程

3所示。导入参考网络AlexNet和GoogLeNet等

4所示。从MATLAB代码自动生成可移植和优化CUDA NVIDIA gpu的算法

5。自动生成可移植和优化代码从深度学习网络在MATLAB中实现cpu和手臂Cortex-A英特尔至强处理器

的主持人

比尔周是GPU编码器产品营销经理,一直在与MathWorks代码生成技术在过去的12年里。比尔拥有电气工程硕士学位南加州大学文学士学位Sc从英属哥伦比亚大学的电气工程学位。