边缘人工智能的MATLAB和Simulink

模拟、测试机器学习和深度学习模型，并将其部署到边缘设备和嵌入式系统。为完整的人工智能应用程序生成代码，包括预处理和后处理算法。

使用MATLAB^®和Simulink^®，您可以：

“从数据注释到选择、培训、测试和微调我们的深度学习模型，MATLAB提供了我们所需的所有工具，GPU编码器使我们能够快速部署到NVIDIA GPU，尽管我们的GPU经验有限。”
德拉斯集团Valerio Imbriolo

CPU和微控制器

使用MATLAB Coder™和Simulink Coder™从经过训练的机器学习和深度学习模型生成可移植的优化C/C++代码。可选地包括对特定于供应商的库的调用，以便在生成的代码中进行深度学习推断，例如oneDNN和Arm^®计算库。

生成优化的CUDA^®使用GPU Coder™为训练有素的深度学习网络编写代码。包括预处理和后处理以及网络，以便将完整的算法部署到桌面、服务器和嵌入式GPU。使用NVIDIA^®CUDA库，如TensorRT™和cuDNN，可最大限度地提高性能。

使用deep learning HDL Toolbox™在FPGA和SoC上原型化并实施深度学习网络。使用预先构建的比特流为流行的FPGA开发工具包编程深度学习处理器和数据移动IP核。使用HDL Coder™生成自定义深度学习处理器IP核和比特流。

通过大小感知的超参数调整和权重、偏差和激活的量化，降低机器学习和深度学习模型的内存需求。通过修剪不重要的层连接来最小化深层神经网络的大小。

什么是TinyML？

了解用于开发Edge AI应用程序的产品。

30天的探索触手可及。

立即下载

设计、训练和分析深度学习网络。

了解更多信息

使用统计和机器学习分析和建模数据

了解更多信息