코드 생성 및 GPU 지원
Audio Toolbox™에는 MATLAB®에서의 프로토타이핑 가속화에 대한 지원과 배포용 코드 생성에 대한 지원이 포함되어 있습니다.
GPU 코드 가속. 프로토타이핑 중에 코드 실행 속도를 높이기 위해 Audio Toolbox에는 GPU(그래픽스 처리 장치)에서 실행할 수 있는 기능이 포함되어 있습니다. gpuArray (Parallel Computing Toolbox) 함수를 사용하여 데이터를 GPU에 전달하고 gather (Parallel Computing Toolbox) 함수를 호출하여 GPU에서 출력 데이터를 가져올 수 있습니다. GPU에서의 실행을 지원하는 Audio Toolbox 함수 목록을 보려면 함수 목록(gpuArray 지원)을 참조하십시오. GPU 지원을 사용하려면 Parallel Computing Toolbox™가 필요합니다.
C/C++ 코드 생성. 애플리케이션을 개발한 후에는 MATLAB 코드로부터 이식 가능한 C/C++ 소스 코드, 독립형 실행 파일 또는 독립 실행형 애플리케이션을 생성할 수 있습니다. C/C++ 코드 생성을 통해 사용자는 MATLAB에서 작업하는 동안 MATLAB이 설치되지 않은 컴퓨터에서 시뮬레이션을 실행함으로써 처리 속도를 높일 수 있습니다. C/C++ 코드 생성을 지원하는 Audio Toolbox 함수 목록을 보려면 함수 목록(C/C++ 코드 생성)을 참조하십시오. C/C++ 코드를 생성하려면 MATLAB Coder™가 필요합니다.
GPU 코드 생성. 애플리케이션을 개발한 후에는 MATLAB 코드에서 NVIDIA® GPU를 위한 최적화된 CUDA® 코드를 생성할 수 있습니다. 이 코드를 프로젝트에 소스 코드, 정적 라이브러리 또는 동적 라이브러리로 통합할 수 있고 GPU에서 프로토타이핑용으로 사용할 수 있습니다. MATLAB 내에서 생성된 CUDA 코드를 사용하여 머신러닝, 딥러닝 또는 기타 응용 분야에서 MATLAB 코드의 계산 집약적인 부분을 가속화할 수도 있습니다. GPU 코드 생성을 지원하는 Audio Toolbox 함수 목록을 보려면 함수 목록(GPU 코드 생성)을 참조하십시오. CUDA 코드를 생성하려면 MATLAB Coder와 GPU Coder™가 필요합니다.
앱
| MATLAB Coder | MATLAB 코드에서 C 코드 또는 MEX 함수 생성 |
| GPU Coder | MATLAB 코드에서 CUDA 코드 생성 |
함수
도움말 항목
GPU 코드 가속
- GPU에서 MATLAB 함수 실행하기 (Parallel Computing Toolbox)
GPU에서 함수를 자동으로 실행할 수 있도록gpuArray인수를 제공합니다. - GPU 연산 요구 사항 (Parallel Computing Toolbox)
NVIDIA GPU 아키텍처 지원. - GPU 성능 측정 및 개선하기 (Parallel Computing Toolbox)
GPU에서 실행 중인 코드의 시간을 측정하고 성능 개선을 위한 옵션을 살펴봅니다.
코드 생성
- 명령줄에서 C 코드 생성하기 (MATLAB Coder)
명령줄 툴을 사용하여 예제 MATLAB 함수로부터 C 코드를 생성합니다. - Prerequisites for Deep Learning with MATLAB Coder (MATLAB Coder)
Install products and configure environment for code generation for deep learning networks. - Recognize and Display Spoken Commands on Android Device (Simulink)
This example shows how to use the Simulink® Support Package for Android® Devices to deploy a deep learning algorithm that recognizes and displays commands spoken through your Android device such as a phone or tablet. - Deploy Smart Speaker Model on Raspberry Pi
Perform code generation and deploy Simulink® smart speaker model on Raspberry Pi® hardware.
추천 예제
Compress Machine Fault Recognition Neural Network Using Projection
Compress a pretrained acoustics-based machine fault recognition neural network using projection and principal component analysis.
Audio Event Classification Using TensorFlow Lite on Raspberry Pi
Perform audio event classification on Raspberry Pi® using the YAMNet pretrained deep neural network from the TensorFlow™ Lite library.
Speech Command Recognition Code Generation on Raspberry Pi
Generate code and deploy feature extraction and speech command recognition network on Raspberry Pi hardware.
Speech Command Recognition Code Generation with Intel MKL-DNN
Deploy feature extraction and a convolutional neural network (CNN) for speech command recognition on Intel® processors. To generate the feature extraction and network code, you use MATLAB® Coder™ and the Intel® Math Kernel Library for Deep Neural Networks (MKL-DNN). In this example, the generated code is a MATLAB executable (MEX) function, which is called by a MATLAB script that displays the predicted speech command along with the time domain signal and auditory spectrogram. For details about audio preprocessing and network training, see 음성 명령 인식을 위한 딥러닝 신경망 훈련시키기.
Speech Command Recognition on Raspberry Pi Using Simulink
Deploy feature extraction and a convolutional neural network for speech command recognition on Raspberry Pi.
Speech Command Recognition Code Generation Using Simulink
Use Embedded Coder® in Simulink and Intel® MKL-DNN to deploy feature extraction and a convolutional neural network for speech command recognition on Intel processors.
Accelerate Audio Machine Learning Workflows Using a GPU
Use GPU computing to accelerate machine learning workflows for audio, speech, and acoustic applications.
Accelerate Audio Deep Learning Using GPU-Based Feature Extraction
Leverage GPUs for feature extraction to decrease the time required to train an audio deep learning model.
Keyword Spotting in Noise Code Generation on Raspberry Pi
Demonstrates code generation for keyword spotting using a Bidirectional Long Short-Term Memory (BiLSTM) network and mel frequency cepstral coefficient (MFCC) feature extraction on Raspberry Pi®. MATLAB® Coder™ with Deep Learning Support enables the generation of a standalone executable (.elf) file on Raspberry Pi. Communication between MATLAB (.mlx) file and the generated executable file occurs over asynchronous User Datagram Protocol (UDP). The incoming speech signal is displayed using a timescope. A mask is shown as a blue rectangle surrounding spotted instances of the keyword, YES. For more details on MFCC feature extraction and deep learning network training, visit Keyword Spotting in Noise Using MFCC and LSTM Networks.
Keyword Spotting in Noise Code Generation with Intel MKL-DNN
Generate code to spot keywords using a Bidirectional Long Short-Term Memory (BiLSTM) network and mel frequency cepstral coefficient (MFCC) feature extraction.
Acoustics-Based Machine Fault Recognition Code Generation
Generate a MATLAB standalone executable for acoustics-based machine fault recognition.
Acoustics-Based Machine Fault Recognition Code Generation on Raspberry Pi
Generate a Raspberry Pi standalone executable for acoustics-based machine fault recognition.
