Code-Generierung

Generieren Sie Code für vortrainierte tiefe neuronale Netze. Sie können die Simulation Ihrer Algorithmen in MATLAB^® oder Simulink^® beschleunigen, indem Sie verschiedene Ausführungsumgebungen verwenden. Durch die Verwendung von Support Packages können Sie auch C/C++, CUDA- und HDL-Code auf der Zielhardware erzeugen und bereitstellen.

Verwenden Sie die Deep Learning Toolbox™ zusammen mit dem Support-Paket für die Model Quantization Library der Deep Learning Toolbox, um den Speicherbedarf und die Rechenanforderungen eines tiefen neuronalen Netzes zu reduzieren, indem die Gewichte, Verzerrungen und Aktivierungen von Schichten auf skalierte Ganzzahl-Datentypen mit reduzierter Genauigkeit quantisiert werden. Sie können dann C/C++, CUDA- oder HDL-Code aus diesen quantisierten Netzen generieren.

Verwenden Sie MATLAB Coder™ oder Simulink Coder zusammen mit der Deep Learning Toolbox, um MEX- oder eigenständigen CPU-Code zu erzeugen, der auf Desktop- oder eingebetteten Zielen läuft. Sie können den generierten eigenständigen Code bereitstellen, der die Intel^® MKL-DNN-Bibliothek oder die ARM^® Compute-Bibliothek verwendet. Alternativ können Sie auch generischen CPU-Code erzeugen, der keine Bibliotheksfunktionen von Drittanbietern aufruft.

Verwenden Sie GPU Coder™ zusammen mit Deep Learning Toolbox zur Erzeugung von CUDA-MEX- oder eigenständigem CUDA-Code, der auf Desktop- oder eingebetteten Zielen läuft. Sie können den generierten eigenständigen CUDA-Code bereitstellen, der die CUDA-Bibliothek für tiefe neuronale Netze (cuDNN), die TensorRT™-Hochleistungs-Inferenzbibliothek oder die ARM Compute-Bibliothek für Mali GPU verwendet.

Verwenden Sie die Deep Learning HDL Toolbox™ zusammen mit der Deep Learning Toolbox, um HDL-Code für vortrainierte Netze zu erzeugen. Sie können den generierten HDL-Code auf Intel und Xilinx^® FPGA- und SoC-Bausteinen einsetzen.