この例では，深層学習を使用するメジ分類用途のコド生成を実行する方法を説明します。codegenコマンドを使用し,MobileNet-v2, ResNet, GoogLeNetなどのイメージ分類ネットワークを使用して予測を実行する墨西哥人関数を生成します。

この例では,学習済みの変分自己符号化器(VAE)ネットワーク用にCUDA®墨西哥人を生成する方法を示します。例では次を示します。

この例では,GPU编码器™を使用したNVIDIA GPU®での完全畳み込みセマンティックセグメンテーションネットワークの学習および展開について説明します。

この例では,NVIDIA TensorRT™ライブラリを使用した深層学習アプリケーションのコード生成について説明します。codegenコマンドを使用し,TensorRTを使用してResNet-50イメージ分類ネットワークで予測を実行する墨西哥人ファイルを生成します。2番目の例では，codegenコマンドを使用して,ロゴ分類ネットワークにTensorRTを使用することで8ビット整数での予測を実行する墨西哥人ファイルを生成する方法について説明します。

この例では,你只看一次(YOLO)意思v2オブジェクト検出器用のCUDA®墨西哥人を生成する方法を説明します。YOLO v2オブジェクトの検出ネットワクは2のサブネットワクで構成されます。特徴抽出ネットワ，クに検出ネットワ，クが続きます。この例では，Computer Vision Toolbox™ の“YOLO v2意思深層学習を使用したオブジェクト検出“の例で学習させたネットワークのコードを生成します。詳細については,YOLO v2意思深層学習を使用したオブジェクトの検出计算机视觉(工具箱)を参照してください。この例を変更すれば，“事前学習済みのONNX YOLO v2意思オブジェクト検出器のインポート”の例で计算机视觉工具箱™からインポートしたネットワーク用のCUDA®墨西哥人を生成できます。詳細については,事前学習済みのONNX YOLO v2意思オブジェクト検出器のインポート(计算机视觉工具箱)を参照してください。

この例では,SSDネットワーク(ssdObjectDetectorオブジェクト)用のCUDA®コードを生成し,NVIDIA®cuDNNライブラリとTensorRTライブラリを活用する方法を説明します。SSDネットワークは,イメージ内の複数のオブジェクトをシングルショットで検出する,フィードフォワード畳み込みニューラルネットワークに基づいています。SSDネットワークは2つのサブネットワークをもつと考えることができます。特徴抽出ネットワ，クに検出ネットワ，クが続きます。

この例では，関数cnncodegenを使用して、手臂®马里GPUでの深層学習を使用するイメージ分類アプリケーションのコードを生成する方法を説明します。この例では，MobileNet-v2Dagネットワクを使用してメジ分類を実行します。生成コードはコンピュータービジョンおよび機械学習用の臂计算库を利用します。

この例では,長短期記憶(LSTM)ネットワーク用のCUDA®コードを生成する方法を説明します。この例では，入力 timeseries の各ステップでの予測を行う MEX アプリケーションを生成します。次の 2 つの方法について説明します。1 つは標準の LSTM ネットワークを使用する方法、もう 1 つは同じ LSTM ネットワークのステートフルな動作を利用する方法です。この例では、身体に装着したスマートフォンから得られた加速度計のセンサー データを使用して、装着者のアクティビティについての予測を行います。ユーザーの動きは 5 つのカテゴリのうちの 1 つに分類されます。カテゴリは、ダンス中、ランニング中、着席中、起立中、歩行中です。この例では事前学習済みの LSTM ネットワークを使用します。学習の詳細については、Deep Learning Toolbox™ からの深層学習を使用したシーケンスの分類 (Deep Learning Toolbox)の例を参照してください。

この例では,強力な信号処理手法と畳み込みニューラルネットワークを組み合わせて使用して心电图信号を分類する方法を示します。また，万博1manbetxSimulink®モデルからCUDA®コドを生成する方法も紹介します。この例では，Wavelet Toolbox™ の "ウェーブレット解析と深層学習を使用した時系列の分類"の例の事前学習済みCNNネットワークを使用して,時系列データのCWTからのイメージを基に心电图信号を分類します。学習の詳細については、ウェーブレット解析と深層学習を使用した時系列の分類 (Wavelet Toolbox)を参照してください。

この例では,激光雷达セマンティックセグメンテーション用の深層学習ネットワークのCUDA®墨西哥人コードを生成する方法を示します。この例では，3のクラス(背景、车、卡车)に属しているオーガナイズド激光雷达点群をセグメント化することができる,事前学習済みのSqueezeSegV2[1]ネットワークが使用されます。ネットワ，クに学習させる手順に，いては，激光雷达点云语义分割使用SqueezeSegV2深度学习网络(激光雷达工具箱)を参照してください。生成された墨西哥人コードは,入力としてひとまとまりの点群を取り,SqueezeSegV2ネットワーク用のDAGNetworkオブジェクトを使用して点群に対する予測を実行します。

この例では,MATLAB®编码器™为NVI万博1manbetxDIA杰森和NVIDIA驱动平台支持包を使用して,ビデオを分類する深層学習ネットワーク用のCUDA®コードを生成し,その生成コードをNVIDIA®杰森®Xavierボードに展開する方法を示します。この深層学習ネットワークには,畳み込み層と双方向長短期記憶(BiLSTM)層の両方が含まれています。生成されたアプリケーションは,ビデオフレームのシーケンスとして指定されたビデオファイルからデータを読み取り,そのビデオ内のアクティビティを分類するラベルを出力します。この例では，深度学习工具箱™の”深層学習を使用したビデオの分類の例で学習させたネットワ，ク用のコ，ドを生成します。詳細については,深層学習を使用したビデオの分類(深度学习工具箱)を参照してください。

この例では,カスタム層を使用した你只看一次(YOLO)意思v3オブジェクト検出器用のCUDA®墨西哥人を生成する方法を示します。YOLO v3意思はYOLO v2を意思改良したもので,複数のスケールにおける検出を追加してより小さなオブジェクトを検出できるようになっています。さらに,学習で使用される損失関数は,境界ボックス回帰用の平均二乗誤差と,オブジェクト分類用のバイナリ交差エントロピーに分割されており,検出精度が向上しています。この例で使用するYOLO v3意思ネットワークは,计算机视觉工具箱(TM)の”YOLO v3意思深層学習を使用したオブジェクトの検出”の例を使用して学習させたものです。詳細は,YOLO v3意思深層学習を使用したオブジェクトの検出计算机视觉(工具箱)を参照してください。

この例では,車線検出と車両検出を実行する仿万博1manbetx真软件®モデルから,畳み込みニューラルネットワーク(CNN)を使用してCUDA®アプリケーションを開発する方法を説明します。この例では,交通量ビデオのフレームを入力として受け取り,自車の左右の車線に対応する2つの車線境界線を出力し,フレーム内の車両を検出します。この例では，GPU Coder工具箱™の“GPU编码器により最適化された車線検出“の例の事前学習済み車線検出ネットワークを使用します。詳細は，GPU编码器により最適化された車線検出を参照してください。この例では，计算机视觉工具箱™の“YOLO v2意思深層学習を使用したオブジェクト検出“の例の事前学習済み車線検出ネットワークも使用します。詳細については,YOLO v2意思深層学習を使用したオブジェクトの検出计算机视觉(工具箱)を参照してください。

在NVIDIA®J万博1manbetxetson TX2板上部署Simulink®模型，用于对网络摄像头图像进行分类。这个例子通过使用预先训练好的深度卷积神经网络对网络摄像头中的图像进行实时分类，ResNet-50．本例中的万博1manbetxSimulink模型使用MATLAB®Coder™NVIDIA Jetson和NVIDIA DRIVE平台支持包中的摄像机和显示块，从网络摄像头捕获实时视频流万博1manbetx，并在连接到Jetson平台的监视器上显示预测结果。

この例では,残差結合をもち,イメージ分類用にCIFAR-10データで学習させた深層学習ニューラルネットワークの畳み込み層で,学習可能パラメーターを量子化する方法を示します。

この例では8ビット整数で推論計算を実行するSSD車両検出器およびYOLO v2意思車両検出器のCUDA®コードを生成する方法を示します。

この例では,次の2つのパラメータースコアメトリクスを使用して,学習済みニューラルネットワークのパラメーターを枝刈りする方法を示します。量级スコア[1]と突触流スコア[2]。

この例では,PointPillarsオブジェクト検出器用のCUDA®墨西哥人を生成する方法を示します。詳細にいては，激光雷达工具箱™の激光雷达3-D对象检测使用PointPillars深度学习(激光雷达工具箱)の例を参照してください。