深度学习是机器学习的一个分支,它教会计算机做人类天生擅长的事情:从经验中学习。学习算法使用计算方法直接从数据中“学习”信息,而不依赖于预先确定的方程作为模型。深度学习使用卷积神经网络(cnn)直接从图像中学习有用的数据表示。神经网络结合了多个非线性处理层,使用简单的元素并行操作,并受到生物神经系统的启发。深度学习模型是通过使用大量标记数据和神经网络架构来训练的,这些架构包含许多层,通常包括一些卷积层。
您可以使用GPU编码器™与深度学习工具箱™一起生成代码,并在使用NVIDIA的多个嵌入式平台上部署CNN®或手臂®GPU处理器。深度学习工具箱提供简单的MATLAB®用于创建和互连深神经网络层的命令。预用网络和诸如图像识别和驾驶员辅助应用程序的示例的可用性使您可以使用GPU编码器进行深度学习,而无需关于神经网络,深度学习或高级计算机视觉算法的专业知识。
创建一个SeriesNetwork
,DAGNetwork
,yolov2ObjectDetector
,或ssdobjectdetector
对象,用于生成代码。
使用CUDNN库生成预训练卷积神经网络的代码。
使用TensorRT库生成预训练卷积神经网络的代码。
生成C ++代码,用于从针对ARM MALI GPU处理器的深度学习网络预测。
编写示例主要函数时的基本数据布局考虑事项。
了解量化的效果和如何可视化网络卷积层的动态范围。
量化并生成预训练卷积神经网络的代码。
在Simulink中使用MATLA万博1manbetxB函数块进行深度学习
使用MATLAB功能块模拟和生成Simulink中深入学习模型的代码。万博1manbetx
利用深度神经网络库在Simulin万博1manbetxk中的深度学习
在Simulink中使用库块对深度学习模型进行模拟和生成代码。万博1manbetx
构建和部署到NVIDIA GPU板。