为预训练的深度神经网络生成代码。通过使用不同的执行环境，您可以在 MATLAB^® 或 Simulink^® 中加速算法的仿真。通过使用支持包，您还可以生成 C/C++、CUDA 和 HDL 代码并将其部署在目标硬件上。

将 Deep Learning Toolbox™ 与 Deep Learning Toolbox Model Quantization Library 支持包结合使用，通过将层的权重、偏置和激活量化为精度降低的缩放整数数据类型，减少深度神经网络的内存占用和计算要求。然后，您可以从这些量化的网络中生成 C/C++、CUDA 或 HDL 代码。

将 MATLAB Coder™ 或 Simulink Coder 与 Deep Learning Toolbox 结合使用，生成在桌面或嵌入式目标上运行的 MEX 或独立 CPU 代码。您可以部署生成的使用 Intel^® MKL-DNN 库或 ARM^® Compute 库的独立代码。您也可以生成不调用第三方库函数的泛型 CPU 代码。

将 GPU Coder™ 与 Deep Learning Toolbox 结合使用，生成在桌面或嵌入式目标上运行的 CUDA MEX 或独立 CUDA 代码。您可以部署生成的独立 CUDA 代码，该代码使用 CUDA 深度神经网络库 (cuDNN)、TensorRT™ 高性能推理库或 Mali GPU 的 ARM Compute 库。

将 Deep Learning HDL Toolbox™ 与 Deep Learning Toolbox 结合使用，为预训练网络生成 HDL 代码。您可以将生成的 HDL 代码部署在 Intel 与 Xilinx^® FPGA 和 SoC 设备上。