30:18视频长度为30:18。
使用MATLAB Coder和GPU Coder将深度神经网络部署到GPU和cpu
概述
由于嵌入式设备固有的资源限制,设计深度学习和计算机视觉应用程序并将其部署到NVIDIA Jetson和DRIVE平台等嵌入式gpu和cpu上具有挑战性。基于matlab的工作流程方便了这些应用程序的设计,并自动生成C/ c++或CUDA®代码可以实现比其他深度学习框架快2倍的推理。
本次网络研讨会将向您介绍工作流程。在CPU上运行的MATLAB中使用YOLO v2网络创建一个汽车车道和车辆检测应用程序,在同一个桌面上使用Titan V GPU进行测试,然后将其部署到Jetson AGX Xavier上。设计和部署深度学习网络,用于行人检测、血液涂片分割和缺陷产品检测,用于台式机上的英特尔至强处理器、树莓派上的ARM Cortex-A处理器或NVIDIA Jetson AGX Xavier。学习如何从Jetson平台访问外设,用于MATLAB和生成的代码。最后,了解应用于生成代码的优化,帮助它实现比其他深度学习框架快2倍的推理。
突出了
观看本次网络研讨会,学习如何:
- 从深度学习网络生成C/ c++或CUDA代码,作为NVIDIA gpu、Intel Xeon cpu或ARM Cortex-A处理器的推理引擎
- 从完整的应用程序生成C/ c++或CUDA代码,包括一个或多个深度学习网络以及预处理和后处理代码,适用于NVIDIA gpu、Intel Xeon cpu或ARM Cortex-A处理器
- 自动编译生成的代码并将其下载到NVIDIA gpu(如Jetson AGX Xavier和NVIDIA DRIVE板)上
- 从Jetson平台访问外设,用于MATLAB和生成的代码
- 应用优化来提高为深度学习网络生成的C/ c++或CUDA代码的性能
主讲人简介
Bill Chou是MATLAB Coder的产品营销经理,过去10年一直致力于MathWorks代码生成技术。Bill持有南加州大学电气工程硕士学位和不列颠哥伦比亚大学电气工程学士学位。
记录日期:2020年1月30日
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。