工作流
在一个典型的卷积神经网络(CNN)工作流,开始构建一个CNN架构使用深度学习工具箱™,和培训网络与并行计算工具箱™。或者,您可以导入事先
已经在一个庞大的数据集上训练,学会转移的特性。转移学习意味着在CNN训练了一组分类问题和再培训一组不同的类进行分类。这是CNN的最后几层再次了解。再次,并行计算工具箱用于学习阶段。你也可以导入一个训练有素的CNN网络从其他框架如咖啡或MatConvNet成SeriesNetwork
对象。
一旦你获得训练网络,你可以使用GPU编码器生成c++或CUDA™®代码和部署使用NVIDIA的CNN在多个嵌入式平台®或手臂®GPU处理器。生成的代码实现了CNN使用体系结构中,各层和参数中指定的输入SeriesNetwork
(深度学习工具箱)或DAGNetwork
(深度学习工具箱)对象。
代码生成器利用NVIDIA CUDA深层神经网络库(cuDNN),英伟达TensorRT™高性能推理库NVIDIA gpu和手臂计算库计算机视觉和机器学习的手臂马里gpu。
生成的代码可以集成到你的项目源代码,静态或动态库,或可执行文件,您可以部署到各种NVIDIA和手臂马里GPU平台。对手臂马里GPU执行深度学习目标,你在开发计算机主机生成代码。然后,构建和运行可执行程序生成的代码移动到目标平台。
另请参阅
功能
对象
coder.gpuConfig
|coder.CodeConfig
|coder.EmbeddedCodeConfig
|coder.gpuEnvConfig
|coder.CuDNNConfig
|coder.TensorRTConfig
相关的话题
- Pretrained深层神经网络(深度学习工具箱)
- 学习开始转移(深度学习工具箱)
- 创建简单的深度学习神经网络分类(深度学习工具箱)
- 万博1manbetx支持网络层,和类
- 负载Pretrained网络代码生成
- 通过使用cuDNN代码生成深度学习网络
- 通过使用TensorRT代码生成深度学习网络
- 代码生成深度学习网络针对手臂马里gpu