產品及服務 > GPU Coder , MATLAB-GPU轉碼器
GPU Coder , MATLAB-GPU轉碼器

Introduction
GPU Coder™ MATLAB-GPU轉碼器可從MATLAB®程式碼產生用於深度學習,嵌入式視覺和自駕車系統的最佳化的CUDA®程式碼。 經過轉碼器轉出的程式碼會呼叫最佳化的NVIDIA CUDA函式庫,包括cuDNN,cuSolver和cuBLAS。 它可以作為原始碼,靜態函式庫或動態函式庫整合到您的專案中,並且在NVIDIATesla®和NVIDIATegra® 建立原型。 您可以使用MATLAB中產生的CUDA程式碼來加速MATLAB程式碼中需要大量運算的部分。 MATLAB-CUDA轉碼器可讓您將舊有的CUDA程式碼整合到MATLAB演算法和產生的程式碼中。

當使用EmbeddedCoder®(嵌入式程式碼轉碼器)時,MATLAB-CUDA轉碼器可以透過軟體迴圈(SIL)測試來驗證產生的程式碼的數值表現。本工具箱使用需搭配MATLAB 、MATLAB Coder、Parallel Computing 建議搭配使用Embedded Coder 。 若要從深度學習網路轉碼則須搭配
Neural Network Toolbox Requires host platform C compiler. See list of supported host compilers.
Requirements for GPU Computing
CUDA-enabled NVIDIA GPU with compute capability 3.2 or higher
CUDA toolkit 8.0 and driver (get latest toolkit)
Requirements for executing deep learning examples
cuDNN 5.1 and newer (get latest library)
OpenCV 2.4.9 and newer (get latest library)

Key Features

  • 將MATLAB 程式碼轉碼成CUDA C和C ++程式碼
  • 支援深度學習網路(使用類神經網路工具箱™)
  • 支援影像處理(使用影像處理工具箱™)
  • 迴圈最佳化和CUDA核心最佳化
  • 產生MEX函式以達到程式碼驗證和加速
  • 整合舊有的CUDA程式碼
  • 程式碼分析和驗證

2018b加入 :

  • 深度學習最佳化:通過自動調校、層級融合和緩衝區最小化,以提高性能和記憶體利用率
  • 深度學習重複指定使用目標:透過使用 codegen 函數,將使用深度學習網絡的應用程式轉檔到 Intel MKL-DNN、ARM Compute Library 和 NVIDIA TensorRT 上使用。