Generar código y desplegar redes neuronales profundas
Genere código para redes neuronales profundas preentrenadas. Puede acelerar la simulación de algoritmos en MATLAB® o Simulink® utilizando diferentes entornos de ejecución. El uso de paquetes de soporte también permite generar y desplegar código C/C++, CUDA y HDL (Hardware Description Language) en el hardware objetivo.
Utilice Deep Learning Toolbox™ junto con el paquete de soporte Deep Learning Toolbox Model Compression Library para reducir el uso de memoria y los requisitos computacionales de una red neuronal profunda cuantificando los pesos, sesgos y activaciones de capas para tipos de datos enteros escalados de precisión reducida. Después, podrá generar código C/C++, CUDA o HDL a partir de estas redes cuantificadas.
Use MATLAB Coder™ o Simulink Coder con Deep Learning Toolbox para generar código MEX o código CPU independiente que se ejecute en objetivos de escritorio o embebidos. Puede desplegar el código independiente generado que utilice la biblioteca Intel® MKL-DNN o la biblioteca ARM® Compute. También puede generar código CPU genérico que no llame a funciones de bibliotecas de terceros.
Utilice GPU Coder™ y Deep Learning Toolbox para generar código CUDA MEX o código CUDA independiente que se ejecute en objetivos de escritorio o embebidos. Puede desplegar el código CUDA independiente generado que utiliza la biblioteca de la red neuronal profunda CUDA (cuDNN), la biblioteca de inferencias de alto rendimiento TensorRT™ o la biblioteca ARM Compute para la GPU Mali.
Utilice Deep Learning HDL Toolbox™ y Deep Learning Toolbox para generar código HDL para redes preentrenadas. Puede desplegar el código HDL generado en dispositivos FPGA (Field Programmable Gate Array) y SoC (System On a Chip) de Intel y Xilinx®.
Aspectos básicos de la generación de código
- Networks and Layers Supported for Code Generation (MATLAB Coder)
- Supported Networks, Layers, and Classes (GPU Coder)
- Supported Networks, Boards, and Tools (Deep Learning HDL Toolbox)
- Generación de código para redes de deep learning
- Generate Generic C/C++ for Sequence-to-Sequence Deep Learning Simulink Models (Simulink Coder)
- Get Started with Deep Learning FPGA Deployment on Intel Arria 10 SoC (Deep Learning HDL Toolbox)
Categorías
- Exportar redes neuronales profundas
Exporte redes a plataformas de deep learning externas
- Cuantificación, proyección y poda
Comprima una red neuronal profunda mediante el proceso de cuantificación, proyección o poda.
- Generación de código de deep learning a partir de aplicaciones de MATLAB
Genere código C/C++, GPU y HDL para despliegues en objetivos de escritorio o embebidos
- Generación de código de deep learning a partir de aplicaciones de Simulink
Genere código C/C++ y GPU para despliegues en objetivos de escritorio o embebidos
Información relacionada
- Deep learning con MATLAB Coder (MATLAB Coder)
- Deep Learning with GPU Coder (GPU Coder)
- Get Started with Deep Learning HDL Toolbox (Deep Learning HDL Toolbox)
Ejemplos destacados
Generación de código para redes de deep learning
En este ejemplo se muestra cómo generar código CUDA para una aplicación de clasificación de imágenes que utiliza deep learning. Utiliza el comando codegen para generar una función MEX que ejecuta la predicción usando la red de clasificación de imágenes ResNet.
Code Generation for Detect Defects on Printed Circuit Boards Using YOLOX Network
Generate code for a You Only Look Once X (YOLOX) object detector that can detect, localize, and classify defects in printed circuit boards (PCBs).
Prune Image Classification Network Using Taylor Scores
Reduce the size of a deep neural network using Taylor pruning. By using the taylorPrunableNetwork function to remove convolution layer filters, you can reduce the overall network size and increase the inference speed.
Compress Neural Network Using Projection
Compress a neural network using projection and principal component analysis.
Quantize Residual Network Trained for Image Classification and Generate CUDA Code
Quantize the learnable parameters in the convolution layers of a deep learning neural network that has residual connections and has been trained for image classification with CIFAR-10 data.
Code Generation for Semantic Segmentation Network
Code generation for an image segmentation application that uses deep learning. It uses the codegen command to generate a MEX function that performs prediction on a DAG Network object for SegNet [1], a deep learning network for image segmentation.
Lane Detection Optimized with GPU Coder
Develop a deep learning lane detection application that runs on NVIDIA® GPUs.
Compress Image Classification Network for Deployment to Resource-Constrained Embedded Devices
Reduce the memory footprint and computation requirements of an image classification network for deployment on resource constrained embedded devices such as the Raspberry Pi™.
