文章目录
- [DeepLTK LabVIEW深度学习工具包](#DeepLTK LabVIEW深度学习工具包)
- 授权售价
DeepLTK LabVIEW深度学习工具包
LabVIEW中的深度神经网络
功能亮点：
- 在 LabVIEW 中创建、配置、训练和部署深度神经网络 (DNN)
- 加速在 GPU 上训练和部署 DNN
- 保存训练好的网络并加载以进行部署
- 可视化网络拓扑和常见指标（内存占用、计算复杂度）
- 在 NI 的 LabVIEW Real-Time 目标上部署预先训练的网络以进行推理
- 通过使用网络图优化实用程序来加速预先训练的网络
- 分析和评估网络性能
- 从可运行的真实示例开始
功能与特性
在 LabVIEW 中构建、配置、训练、可视化和部署深度神经网络（DNN）
功能亮点：
- 在 LabVIEW 中创建、配置、训练和部署深度神经网络
- 加速 DNN 在 GPU 上的训练和部署
- 支持保存已训练网络并加载用于部署
- 可视化网络拓扑结构和常用指标（如内存占用、计算复杂度）
- 将预训练网络部署到 NI 的 LabVIEW 实时系统上用于推理
- 利用网络图优化工具加速预训练网络运行
- 分析和评估网络性能
- 提供开箱即用的真实示例
- 借助 DeepLTK FPGA 插件，在 FPGA 上加速推理
支持的网络层
DeepLTK 支持实现常见机器学习应用（如图像分类、目标检测、实例分割和语音识别）所需的多种网络层：
- 输入层（1D、3D）
- 数据增强
- 卷积层
- 全连接层（Dense）
- 批归一化（1D、3D）
- 池化层（最大池化、平均池化）
- 上采样
- 快捷连接（ShortCut）
- 拼接（Concatenation）
- Dropout（1D、3D）
- SoftMax 层
- 目标检测层
支持的网络架构
- MLP - 多层感知机
- CNN - 卷积神经网络
- FCN - 全卷积网络
- ResNet - 残差网络（用于图像识别）
- YOLO v2 - 一次看完（用于目标检测）
- U-Net - 语义分割网络
参考示例
以下是工具包附带的参考示例，路径为：
LabVIEW 安装路径\examples\Ngene\Deep Learning Toolkit-
MNIST_Classifier_MLP(Train_1D).vi和MNIST_Classifier_MLP(Train_3D).vi展示了使用 MLP（多层感知机）架构对 MNIST 手写数字图像进行分类任务的神经网络构建与训练过程。
-
MNIST_Classifier_CNN(Train).vi展示了使用 CNN（卷积神经网络）架构进行 MNIST 图像分类任务的构建与训练。
-
MNIST_Classifier(Deploy).vi展示了如何自动加载配置文件和权重文件来部署预训练网络。
-
MNIST(RT_Deployment)（工程）展示了将预训练模型部署至 NI 实时系统的过程。
-
MNIST_CNN_GPU（工程）展示了如何在 GPU 上加速训练和部署过程。
-
YOLO_Object_Detection(Cam).vi展示了基于 YOLO 架构的目标检测预训练网络部署过程（实时摄像头示例）。
-
YOLO_GPU（工程）展示了如何加速 YOLO 网络并在 GPU 上部署。
-
Object_Detection（工程）展示了在简单数据集上进行目标检测神经网络训练的全过程。
授权售价
单台电脑 5000美元。