【东枫科技】使用LabVIEW进行深度学习开发

文章目录

• [DeepLTK LabVIEW深度学习工具包](#DeepLTK LabVIEW深度学习工具包)
• • LabVIEW中的深度神经网络
  • **功能与特性**
  • • **功能亮点：**
  • **支持的网络层**
  • **支持的网络架构**
  • **参考示例**
• 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。