创建、编译和部署dlhdl。工作流对象的标识识别网络的网络对象使用深度学习HDL工具箱™支持包Xilinx FPGA和SoC。万博1manbetx使用MATLAB®来检索目标设备的预测结果。

创建、编译和部署dlhdl。工作流对象有一个车道检测卷积神经网络作为网络对象,通过使用深度学习HDL工具箱™。网络可以检测并输出通路标志边界随着网络对象使用深度学习HDL工具箱™支持包Xilinx FPGA和SoC。万博1manbetx使用MATLAB®来检索目标设备的预测结果。

创建、编译和部署dlhdl。工作流对象与ResNet-18网络对象通过使用深度学习HDL工具箱™支持包Xilinx FPGA和SoC。万博1manbetx使用MATLAB®来检索目标设备的预测结果。ResNet-18是pretrained卷积神经网络,训练图像和可以分类图像到1000年超过一百万对象类别(如键盘、咖啡,杯子,铅笔,和许多动物)。您还可以使用VGG-19和DarkNet-19网络对象。

火车、编译和部署dlhdl。工作流对象ResNet-18作为网络对象通过使用深度学习HDL工具箱™支持包Xilinx FPGA和SoC。万博1manbetx使用MATLAB®来检索目标设备的预测结果。

部署自定义训练系列网络来检测缺陷对象如六角螺母。自定义网络训练采用转移学习。在深度学习应用程序转移学习是常用的。pretrained网络,可以使用它作为一个起点,学习一个新任务。微调网络转移学习通常比训练一个网络快得多,也更容易与随机初始化权重从零开始。您可以快速学习功能转移到一个新的任务使用较少的训练信号。这个例子使用了两个训练有素的系列网络,trainedDefNet。垫和trainedBlemDetNet.mat。

部署自定义训练系列网络检测行人和骑车人基于微多普勒特征。这个网络是行人和骑自行车的分类从相控阵工具箱使用深度学习的例子。为更多的细节在网络训练和输入数据,看到行人和自行车使用深度学习分类。

养活一个图像卷积神经网络和显示网络的不同层的激活。检查激活并发现哪些特性网络学习通过比较原始图像区域的激活。渠道在早期层学习简单的功能,如颜色和边缘,而渠道更深层学习复杂的特性。以这种方式识别功能可以帮助您了解网络学习。

典型的系列分类网络包括一个序列卷积层后面跟着一个或多个完全连接层。最近的研究结果表明,实现更好的性能特征提取和识别利用卷积层直接激活,而不是那些从随后的完全连接层。

训练和部署一个你只看一次(YOLO)意思v2对象探测器。

分类人类心电图(ECG)信号通过部署转移学习训练SqueezeNet网络trainedSN Xilinx Zynq Ultrascale + ZCU102董事会。

快速原型定制深入学习网络和比特流可视化中间层激活结果和验证预测精度没有目标硬件通过模拟网络和比特流。模拟网络和比特流,创建一个dlhdl。模拟对象。使用dlhdl。模拟器对象:

部署自定义pretrained系列网络检测语音命令的存在在音频Xilinx™Zynq®UltraScale +™MPSoC ZCU102评估工具。下面的例子使用了pretrained训练网络,通过使用语音命令数据集[1]。创建pretrained网络,看到语音命令识别使用深度学习。

部署一个pretrained卷积神经网络(CNN)的调制分类Xilinx™Zynq®UltraScale +™MPSoC ZCU102评估工具。pretrained网络训练通过使用生成的合成,channel-impaired波形。训练trainedNet网络,看到调制分类与深度学习。

创建、编译和部署dlhdl。工作流对象通过使用深度学习HDL工具箱™支持包Xilinx FPGA和SoC。万博1manbetx工作流对象有一个自定义训练人体姿态估计网络的网络对象。网络检测和输出带来的人出现在一个输入图像的大小256 - - 192。训练网络,看到估计身体姿势使用深度学习。

部署一个训练你只看一次(YOLO)意思v3对象探测器目标FPGA板。然后使用MATLAB来检索对象分类从FPGA板。