GPU Coder를 사용한 딥러닝

딥러닝 신경망을 위한 CUDA^® 코드 생성

딥러닝은 인간이 자연스럽게 경험을 통해 학습하는 능력을 컴퓨터에게 가르치는 머신러닝의 한 분야입니다. 학습 알고리즘은 사전에 정해진 수식을 모델로 사용하지 않고 여러 계산 기법을 사용해 데이터에서 직접 정보를 “학습”합니다. 딥러닝은 컨벌루션 신경망(CNN)을 사용하여 영상에서 직접 데이터의 유용한 표현을 학습합니다. 신경망은 생물 신경계에서 영감을 얻은 병렬로 동작하는 단순한 요소들을 사용하여 여러 비선형 처리 계층을 결합합니다. 딥러닝 모델은 레이블이 지정된 대규모 데이터 세트 그리고 다수의 계층이 포함된 신경망 아키텍처(대개 컨벌루션 계층도 일부 포함됨)를 사용하여 훈련됩니다.

GPU Coder™를 Deep Learning Toolbox™와 함께 사용하여 코드를 생성하고 NVIDIA^® 또는 ARM^® GPU 프로세서를 사용하는 여러 임베디드 플랫폼에 CNN을 배포할 수 있습니다. Deep Learning Toolbox는 심층 신경망의 계층을 만들고 상호 연결하는 간단한 MATLAB^® 명령을 제공합니다. 사전 훈련된 신경망과 영상 인식, 운전자 보조 애플리케이션 같은 다양한 예제가 제공되기 때문에 신경망, 딥러닝 또는 고급 컴퓨터 비전 알고리즘에 대한 전문 지식이 없어도 GPU Coder를 딥러닝에 사용할 수 있습니다.

앱

모두 확장

GPU Coder

GPU Coder	MATLAB 코드에서 GPU 코드 생성
GPU 환경 검사	GPU 코드 생성 환경에 대한 확인과 설정

함수

모두 확장

코드 생성

`codegen`	Generate C/C++ code from MATLAB code
`cnncodegen`	Generate code for a deep learning network to target the ARM Mali GPU
`coder.loadDeepLearningNetwork`	Load deep learning network model
`coder.DeepLearningConfig`	Create deep learning code generation configuration objects
`analyzeNetworkForCodegen`	Analyze deep learning network for code generation (R2022b 이후)
`coder.regenerateDeepLearningParameters`	Regenerate files containing network learnables and states parameters (R2021b 이후)

객체

모두 확장

코드 구성

`coder.CuDNNConfig`	Parameters to configure deep learning code generation with the CUDA Deep Neural Network library
`coder.TensorRTConfig`	Parameters to configure deep learning code generation with the NVIDIA TensorRT library
`coder.gpuConfig`	Configuration parameters for CUDA code generation from MATLAB code by using GPU Coder
`coder.gpuEnvConfig`	Configuration object containing the parameters to check the GPU code generation environment

모델 설정

모두 확장

기본 사항

MATLAB의 딥러닝 (Deep Learning Toolbox)

사전 훈련된 신경망 및 전이 학습, 그리고 GPU, CPU, 클러스터 및 클라우드에서의 훈련 등 분류 및 회귀에 컨벌루션 신경망을 사용하여 MATLAB의 딥러닝 기능을 알아봅니다.

컨벌루션 신경망에 대해 알아보기 (Deep Learning Toolbox)

컨벌루션 신경망이 무엇인지 그리고 컨벌루션 신경망이 MATLAB에서 어떻게 작동하는지 소개합니다.

사전 훈련된 심층 신경망 (Deep Learning Toolbox)

분류, 전이 학습 및 특징 추출을 위해 사전 훈련된 컨벌루션 신경망을 다운로드하고 사용하는 방법을 알아봅니다.

훈련

영상 데이터 워크플로 (Deep Learning Toolbox)

영상 분류 및 회귀를 위해 사전 훈련된 신경망을 사용하거나 신경망을 처음부터 만들어 훈련시키기

코드 생성 개요

Code Generation Overview

Overview of CUDA code generation workflow for convolutional neural networks.

지원되는 신경망, 계층 및 클래스

코드 생성에 지원되는 신경망, 계층 및 클래스.

Analyze Network for Code Generation

Check code generation compatibility of a deep learning network.

Code Generation for dlarray

Use deep learning arrays in MATLAB code intended for code generation.

dlarray Limitations for Code Generation

Adhere to code generation limitations for deep learning arrays.

생성된 CNN 클래스의 계층 구조

생성된 CNN 클래스의 아키텍처와 메서드.

도움말 항목

MATLAB

Load Pretrained Networks for Code Generation
Create a SeriesNetwork, DAGNetwork, yolov2ObjectDetector, ssdObjectDetector, or dlnetwork object for code generation.
Code Generation for Deep Learning Networks by Using cuDNN
Generate code for pretrained convolutional neural networks by using the cuDNN library.
Code Generation for Deep Learning Networks by Using TensorRT
Generate code for pretrained convolutional neural networks by using the TensorRT library.
Code Generation for Deep Learning Networks Targeting ARM Mali GPUs
Generate C++ code for prediction from a deep learning network targeting an ARM Mali GPU processor.
Analyze Performance of Code Generated for Deep Learning Networks
Analyze and optimize the performance of the generated CUDA code for deep learning networks.
Update Network Parameters After Code Generation
Perform post code generation updates of deep learning network parameters.
Data Layout Considerations in Deep Learning
Fundamental data layout considerations for authoring example main functions.
Quantization of Deep Neural Networks
Understand effects of quantization and how to visualize dynamic ranges of network convolution layers.
Generate INT8 Code for Deep Learning Networks
Quantize and generate code for a pretrained convolutional neural network.
로고 인식 신경망
코드를 생성하고 입력 영상을 32개의 로고 범주로 분류합니다.
Deep Learning Prediction on ARM Mali GPU
Deploy image classification application to an ARM Mali GPU.
Code Generation for Semantic Segmentation Network That Uses U-net
Generate CUDA code for the U-Net deep learning network for image segmentation.
의미론적 분할 신경망을 위한 코드 생성
SegNet 영상 분할 신경망을 위한 코드 생성.
잡음 제거 심층 신경망의 코드 생성
MATLAB 코드에서 CUDA MEX를 생성하고 잡음 제거 컨벌루션 신경망을 사용하여 회색조 영상의 잡음을 제거합니다.
YOLO v2를 사용한 객체 검출 코드 생성
YOLO(You Only Look Once) v2 객체 검출기에 대한 CUDA MEX를 생성합니다.
YOLO v3 딥러닝 신경망을 사용한 객체 검출 코드 생성
YOLO(You Only Look Once) v3 객체 검출기에 대한 CUDA MEX를 생성합니다.
Code Generation for Aerial Lidar Semantic Segmentation Using PointNet++ Deep Learning
Generate CUDA MEX code for a PointNet++ network for lidar semantic segmentation.

Simulink

GPU Code Generation for Deep Learning Networks Using MATLAB Function Block
Simulate and generate code for deep learning models in Simulink using MATLAB function blocks.
GPU Code Generation for Blocks from the Deep Neural Networks Library
Simulate and generate code for deep learning models in Simulink using library blocks.
Targeting NVIDIA Embedded Boards
Build and deploy to NVIDIA GPU boards.

추천 예제

Code Generation for Deep Learning Networks

Get started with CUDA code generation for image classification networks such as ResNet.

라이브 스크립트 열기

Code Generation for a Sequence-to-Sequence Classification Using 1-D Convolutions

Generate plain CUDA code for a temporal convolutional network (TCN).

R2024a 이후
라이브 스크립트 열기

Code Generation for a Sequence-to-Sequence LSTM Network

Generate CUDA code for standard and a stateful behavior of an LSTM network.

라이브 스크립트 열기

교통 표지판 검출 및 인식

교통 표지판 검출 및 인식 애플리케이션(딥러닝 사용)을 위한 CUDA MEX를 생성합니다.

라이브 스크립트 열기

Code Generation for Object Detection Using YOLO v4 Deep Learning

Generate plain CUDA code without dependencies on deep learning libraries for YOLO v4 object detector.

라이브 스크립트 열기

Lane Detection Optimized with GPU Coder

Develop a deep learning lane detection application that runs on NVIDIA GPUs.

라이브 스크립트 열기

Deep Learning Prediction with NVIDIA TensorRT Library

Generate a CUDA MEX file that performs 32-bit, 16-bit floating point, and 8-bit integer prediction using TensorRT.

라이브 스크립트 열기

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).

R2023b 이후
라이브 스크립트 열기

Generate Digit Images on NVIDIA GPU Using Variational Autoencoder

CUDA code generation for dlnetwork and dlarray objects.

라이브 스크립트 열기

Code Generation for Object Detection by Using Single Shot Multibox Detector

Generate CUDA code for a singleshot multibox vehicle detector network.

라이브 스크립트 열기

Code Generation for a Deep Learning Simulink Model to Classify ECG Signals

Demonstrates how you can use powerful signal processing techniques and Convolutional Neural Networks together to classify ECG signals. We will also showcase how CUDA® code can be generated from the Simulink® model. This example uses the pretrained CNN network from the Classify Time Series Using Wavelet Analysis and Deep Learning example of the Wavelet Toolbox™ to classify ECG signals based on images from the CWT of the time series data. For information on training, see 웨이블릿 분석 및 딥러닝을 사용하여 시계열 분류하기 (Wavelet Toolbox).

스크립트 열기

Code Generation for Lidar Point Cloud Segmentation Network

Generate CUDA MEX for a network that can segment organized lidar point clouds belonging to three classes.

라이브 스크립트 열기

Code Generation for a Video Classification Network

Classify activities on Jetson™ Xavier using a network with convolutional and BiLSTM layers.

라이브 스크립트 열기

Code Generation for a Deep Learning Simulink Model That Performs Lane and Vehicle Detection

Develop a CUDA® application from a Simulink® model that performs lane and vehicle detection using convolutional neural networks (CNN). This example takes the frames of a traffic video as an input, outputs two lane boundaries that correspond to the left and right lanes of the ego vehicle, and detects vehicles in the frame. This example uses the pretrained lane detection network from the Lane Detection Optimized with GPU Coder example of the GPU Coder™ product. For more information, see Lane Detection Optimized with GPU Coder. This example also uses the pretrained vehicle detection network from the Object Detection Using YOLO v2 Deep Learning example of the Computer Vision Toolbox™. For more information, see YOLO v2 딥러닝을 사용한 객체 검출 (Computer Vision Toolbox).

스크립트 열기

Deploy and Classify Webcam Images on NVIDIA Jetson Platform from Simulink

Deploy a Simulink® model on the NVIDIA® Jetson™ board for classifying webcam images. This example classifies images from a webcam in real-time by using the pretrained deep convolutional neural network, ResNet-50. The Simulink model in the example uses the camera and display blocks from the MATLAB® Coder™ Support Package for NVIDIA Jetson and NVIDIA DRIVE™ Platforms to capture the live video stream from a webcam and display the prediction results on a monitor connected to the Jetson platform.