GPU Coder

为 NVIDIA GPU 生成 CUDA 代码

GPU Coder™ 可从 MATLAB^® 代码和 Simulink^® 模型生成优化的 CUDA^® 代码。所生成的代码包含 CUDA 内核，针对深度学习、嵌入式视觉和信号处理算法的可并行化部分。为了提高性能，生成的代码会调用优化的 NVIDIA^® CUDA 库，包括 TensorRT™、cuDNN、cuFFT、cuSolver 和 cuBLAS。您可以将这些代码作为源代码、静态库或动态库集成到您的项目，也可以针对桌面、服务器和嵌入到 NVIDIA Jetson™、NVIDIA DRIVE™ 及其他平台的 GPU 进行编译。您可以使用在 MATLAB 中生成的 CUDA 代码，对深度学习网络以及算法中的其他计算密集型部分进行加速。使用 GPU Coder，您可以将手写 CUDA 代码整合到您的 MATLAB 算法和生成的代码中。

您可以将 GPU Coder 与 Embedded Coder^® 结合使用，以通过软件在环 (SIL) 测试和处理器在环 (PIL) 测试验证生成代码的数值行为。

GPU Coder 概述

生成快速、灵活的 CUDA 代码

生成优化的 CUDA 代码。免版权费部署代码。

免版权费部署算法

在主流 NVIDIA GPU 上编译和运行生成的代码，无论是桌面系统、数据中心还是嵌入式硬件皆可。生成的代码免版权费，您可将其免费部署到面向客户的商用应用。

从除雾算法生成 CUDA 代码 (2:22)

GPU 代码生成：Mandelbrot 集

深入了解图片库（2 张图像）

GPU Coder 成功案例

了解各行各业的工程师和科学家如何使用 GPU Coder 为应用生成 CUDA 代码。

Drass 使用 YOLO v2 网络将海事光学跟踪和障碍物感知系统部署到运行于 NVIDIA GPU 的 Visual Studio 应用程序

空中客车在 NVIDIA Jetson TX2 上开发飞机检查演示程序原型，用以实现自动缺陷检测

空中客车在 NVIDIA Jetson TX2 上进行自动缺陷检测原型开发。

使用支持的工具箱和函数生成代码

GPU Coder 可使用多种 MATLAB 语言功能生成代码，设计工程师基于这些功能开发算法以用作大型系统组件。这包括来自 MATLAB 以及配套工具箱的数百个运算符和函数。

支持的工具箱和函数

MATLAB 语言功能支持

MATLAB 语言和工具箱支持代码生成。

整合既有代码

使用既有代码集成功能，将受信任的或高度优化的 CUDA 代码整合到您的 MATLAB 算法中，以在 MATLAB 中进行测试。然后，您就可以从生成的代码调用这些 CUDA 代码。

既有代码集成

将现有 CUDA 代码整合到生成的代码中。

从 Simulink 模型生成 CUDA 代码

在 Simulink 中创建模型并生成优化的 CUDA 代码。

运行仿真并为 NVIDIA GPU 生成优化的代码

您可以将 GPU Coder 与 Simulink Coder™ 结合使用，以在 NVIDIA GPU 上加速 Simulink 模型中 MATLAB Function 模块的计算密集型部分。然后，您可以从 Simulink 模型生成优化的 CUDA 代码，并将其部署到您的 NVIDIA GPU 目标。

使用 GPU Coder 加速仿真

使用 GPU Coder 从 Simulink 模型生成代码

部署到 NVIDIA 嵌入式开发板

在 GPU 上运行的 Sobel 边缘检测器 Simulink 模型。

部署端到端深度学习算法

Deep Learning Toolbox™ 提供各种经过训练的深度学习网络，包括 ResNet-50、SegNet 和 LSTM，您可以在 Simulink 模型中使用这些网络，并将其部署到 NVIDIA GPU。除了经过训练的深度学习网络，您还可以同时为预处理和后处理生成代码，以部署完整的算法。

支持的网络和层

使用 MATLAB Function 模块在 Simulink 中进行深度学习

面向 NVIDIA GPU 的 Simulink 深度学习：使用 GPU Coder 生成 CUDA 代码

记录信号、调整参数并验证代码的数值行为

您可以将 GPU Coder 与 Simulink Coder 结合使用，以使用外部模式仿真实时记录信号和调整参数。将 GPU Coder 与 Embedded Coder 结合使用，则可以运行软件在环测试和处理器在环测试，这些测试可以验证生成代码的数值行为是否与仿真的行为一致。

使用外部模式调整参数和监控信号

数值等效性测试

面向 NVIDIA GPU 的 Simulink 深度学习：ECG 信号的分类

从深度学习网络生成 CUDA 代码

使用 Deep Learning Toolbox 部署经过训练的深度学习网络。

部署端到端深度学习算法

将 Deep Learning Toolbox 提供的各种经过训练的深度学习网络（包括 ResNet-50、SegNet 和 LSTM）部署到 NVIDIA GPU。您可以使用预定义的深度学习层，也可以针对特定应用自定义层。除了经过训练的深度学习网络，您还可以同时为预处理和后处理生成代码，以部署完整的算法。

支持的网络和层

通过使用 GPU Coder 的 YOLO v2 实现实时目标检测 (4:24)

使用 YOLO v3 Deep Learning 为目标检测生成代码

使用 U-net 为语义分割网络生成代码