深入学习是机器学习的分支,教导计算机做自然对人类的事物: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,而不依赖于预定的方程作为模型。深度学习使用卷积神经网络(CNNS)直接从图像中学习数据的有用表示。神经网络结合多个非线性处理层,使用并联操作的简单元件和由生物神经系统的启发。深入学习模型是通过使用大量标记的数据和包含许多层的神经网络架构进行培训,通常包括一些卷积层。
您可以使用GPU Coder™与Deep Learning Tool™一起使用,以在使用NVIDIA的多个嵌入式平台上生成代码并部署CNN®或手臂®GPU处理器。深度学习工具箱提供了简单的MATLAB®用于创建和连接深层神经网络各层的命令。预先训练的网络和示例,如图像识别和驾驶员辅助应用程序,使您可以使用GPU编码器进行深度学习,而无需神经网络、深度学习或先进的计算机视觉算法方面的专家知识。
创建一个系列网络
那Dagnetwork.
那Yolov2ObjectDetector.
那ssdObjectDetector
, 或者dlnetwork.
代码生成的对象。
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,从一个深度学习网络的预测,以ARM Mali GPU处理器。
创作示例主要功能的基本数据布局注意事项。
了解量化的影响以及如何可视化网络卷积层的动态范围。
量化和生成普拉雷卷积神经网络的代码。
使用MATLAB功能块在Simul万博1manbetxink中深入学习
使用MATLAB功能块在Simulink中模拟并生成深度学习模型的代码。万博1manbetx
基于深度神经网络库的Simulin万博1manbetxk深度学习
使用库块模拟和生成Simulink中深入学习模型的代码。万博1manbetx
构建和部署到NVIDIA GPU板。