为使用深度学习的图像分类应用程序执行代码生成。它使用了Codegen.命令生成一个MEX函数，该函数通过使用诸如MobileNet-v2、ResNet和googleet等图像分类网络来运行预测。

为培训的变形Autiachoder（VAE）网络生成CUDA®MEX。该示例说明：

从深度学习网络生成CUDA®代码，由A表示系列网络对象。在这个例子中，串联网络是一种卷积神经网络，可以检测并输出图像中的车道标记边界。

生成CUDA®MEX代码，用于交通标志检测和识别应用，使用深度学习。交通标志检测与识别是驾驶员辅助系统的重要应用，为驾驶员提供有关交通标志的信息。

用于使用深度学习的徽标分类应用程序的代码生成。它使用了Codegen.命令生成一个MEX函数，该函数对系列网络名为logoNet的对象。

用于使用深度学习的图像分段应用程序的代码生成。它使用了Codegen.命令生成一个MEX函数，该函数为SegNet[1](用于图像分割的深度学习网络)在DAG网络对象上执行预测。

通过使用GPU编码器™在NVIDIA®GPU上列车和部署全卷积性语义分段网络。

用于使用深度学习的图像分段应用程序的代码生成。它使用了Codegen.命令生成MEX函数，该函数对U-Net的DAG网络对象执行预测，是图像分割的深度学习网络。

利用MATLAB®代码生成CUDA®MEX，使用去噪卷积神经网络(DnCNN[1])对灰度图像进行去噪。你可以使用去噪网络来估计噪声图像中的噪声，然后去噪得到去噪图像。

使用NVIDIA TensorRT™库为深度学习应用程序生成代码。它使用了Codegen.命令生成MEX文件以通过使用TensorR来执行与Reset-50图像分类网络的预测。第二个例子表明了使用Codegen.命令生成MEX文件，通过使用TensorR获取徽标分类网络执行8位整数预测。

生成CUDA®MEX的一个你只看一次(YOLO) v2对象检测器。一个YOLO v2目标检测网络由两个子网组成。特征提取网络，然后是检测网络。控件中训练的网络生成代码基于YOLO v2深度学习的目标检测来自计算机视觉工具箱™的例子。有关更多信息，请参见使用YOLO v2深度学习的对象检测(计算机视觉工具箱)。你可以修改这个例子来生成CUDA®MEX的网络导入导入预训练的ONNX YOLO v2对象检测器来自计算机视觉工具箱™的例子。有关更多信息，请参见导入预训练的ONNX YOLO v2对象检测器(计算机视觉工具箱)。

为SSD网络(ssdObjectDetector对象)生成CUDA®代码，并利用NVIDIA®cuDNN和TensorRT库。SSD网络是基于前馈卷积神经网络，可以在一个镜头中检测图像中的多个目标。SSD网络可以认为有两个子网络。首先是特征提取网络，然后是检测网络。

使用cnncodegen.功能生成代码，用于在ARM®Mali gpu上使用深度学习的图像分类应用。示例使用MobileNet-V2.DAG网络执行图像分类。生成的代码利用了用于计算机视觉和机器学习的ARM计算库。

演示如何为长短期内存（LSTM）网络生成CUDA®代码。该示例生成MEX应用程序，该应用程序在输入时间序列的每个步骤中进行预测。演示了两种方法：使用标准LSTM网络的方法，以及利用相同LSTM网络的状态行为的方法。该示例使用来自身体携带的智能手机的加速度计传感器数据，并对佩戴者的活动进行预测。用户移动被分类为五个类别中的一个，即跳舞，跑步，坐着，站立和行走。该示例使用佩带的LSTM网络。有关培训的更多信息，请参阅深度学习工具箱™的深度学习（深学习工具箱）示例的序列分类。

展示如何使用强大的信号处理技术和卷积神经网络，以分类ECG信号。我们还将展示CUDA®代码如何从Simulink®模型生成。万博1manbetx此示例使用预先预制的CNN网络使用小波分析和深度学习分类时间序列小波工具箱™的示例基于时间序列数据的CWT的图像对ECG信号进行分类。有关培训的信息，请参阅使用小波分析和深度学习（小波工具箱）对时间序列进行分类。

为LIDAR语义分割生成用于深入学习网络的CUDA®MEX代码。此示例使用佩带的挤压ZeeSGV2 [1]网络，该网络可以分割属于三个类（背景，汽车和卡车）的组织的激光乐节云。有关网络培训程序的信息，请参阅使用SqueezEseGV2深度学习网络的LIDAR点云分割。生成的MEX代码将点云作为输入，通过使用挤压ZEV2网络的Dagnetwork对象对点云执行预测。

使用MATLAB®Coder™支持包为NVIDIA Jetson和NVIDIA DRIVE平台生成CUDA®代码，用于深度学习网络分类视频，并将生成的代码部署到NVIDIA®Jetson Xavier板上。万博1manbetx深度学习网络具有卷积层和双向长短时记忆(BiLSTM)层。生成的应用程序从指定的视频文件中读取数据作为视频帧序列，并输出对视频中的活动进行分类的标签。控件中训练的网络生成代码使用深度学习对视频进行分类来自深度学习工具箱（TM）的示例。有关更多信息，请参阅使用深度学习（深度学习工具箱）对视频进行分类。

为A生成CUDA®MEX，您只需看一次（YOLO）V3对象检测器，具有自定义图层。YOLO V3通过在多个尺度上添加检测来改善YOLO V2，以帮助检测较小的物体。此外，用于训练的损失函数被分成平均方形误差，用于对象分类的边界框回归和二进制交叉熵，以帮助提高检测精度。此示例使用来自计算机视觉工具箱（TM）的Yolo V3 Deep Learing示例，使用对象检测中培训的Yolo V3网络。有关更多信息，请参阅使用YOLO V3深度学习的对象检测。

通过使用卷积神经网络（CNN）执行车道和车辆检测的Simulink®模万博1manbetx型开发CUDA®应用。该示例将业务视频的帧作为输入输出，输出与自助车辆的左侧和右侧相对应的两个车道边界，并检测框架中的车辆。此示例使用预先预制的车道检测网络Lane检测用GPU编码器进行了优化GPU编码器工具箱™示例。有关更多信息，请参阅使用GPU编码器优化的车道检测。该示例还使用预磨料的车辆检测网络基于YOLO v2深度学习的目标检测计算机视觉工具箱™的例子。有关更多信息，请参见使用YOLO v2深度学习的对象检测(计算机视觉工具箱)。

在NVIDIA®J万博1manbetxetson TX2板上部署一个Simulink®模型，用于对网络摄像头图像进行分类。这个例子利用预先训练的深度卷积神经网络对网络摄像头的图像进行实时分类，resnet-50.。该示例中万博1manbetx的Simulink模型使用Matlab®Coder™支持包的Matlab®Coder™支持包，用于NVIDIA Jetson和NVIDIA驱动器平台，从网络摄万博1manbetx像头捕获实时视频流，并在连接到Jetson平台的监视器上显示预测结果。