DeepLTK – Deep Learning Toolkit

背景

深度学习在Python平台发展迅猛，NI官方的工具包迟迟没有推出，但是LabVIEW社区对与深度学习应用的需求是很旺盛的，因此Negen推出了符合市场需求的深度学习工具包DeepLTK。

DeepLTK 是一款屡获殊荣的产品，旨在为研究人员和工程师提供直观而强大的工具，用于在 LabVIEW 开发环境中开发、验证和部署基于深度学习的系统。

DeepLTK 完全基于 LabVIEW 开发，这使其在市场上独树一帜，并大大简化了机器学习技术的集成过程。

功能与特性

在 LabVIEW 中实现深度神经网络流程：

功能亮点

• 在 LabVIEW 中创建、配置、训练和部署深度神经网络（DNN）
• 在 GPU 上加速 DNN 的训练与部署
• 支持保存已训练好的网络，并可加载用于部署
• 可视化网络拓扑结构及常见指标（如内存占用、计算复杂度）
• 将预训练网络部署到 NI 的 LabVIEW 实时目标设备上进行推理
• 利用网络图优化工具对预训练网络进行加速
• 分析与评估网络性能
• 提供可直接运行的真实案例示例
• 借助 DeepLTK FPGA 插件，可加速在 FPGA 上的推理过程

支持的网络层

DeepLTK 支持构建常见机器学习应用（如图像分类、目标检测、实例分割和语音识别）所需的多种深度神经网络架构层类型，包括：

• 输入层（1D，3D）
• 数据增强
• 卷积层
• 全连接层或稠密层
• 批量归一化层（1D，3D）
• 池化层（最大池化、平均池化）
• 上采样层
• 快捷连接（ShortCut）
• 拼接层（Concatenation）
• Dropout 层（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（用于图像识别的深度残差网络）
• YOLO v2（目标检测算法 “You Only Look Once” 第二版）
• U-Net（语义分割网络）

参考示例

工具包中包含一系列参考示例，路径如下：

LabVIEW 安装目录\examples\Ngene\Deep Learning Toolkit

• MNIST_Classifier_MLP(Train_1D).vi 和 MNIST_Classifier_MLP(Train_3D).vi：展示如何使用 MLP（多层感知机）架构，以编程方式构建和训练深度神经网络，用于手写数字识别图像分类任务（基于 MNIST 数据集）。
• MNIST_Classifier_CNN(Train).vi：展示如何使用 CNN（卷积神经网络）架构，以编程方式构建和训练深度神经网络，用于手写数字识别图像分类任务（基于 MNIST 数据集）。
• MNIST_Classifier(Deploy).vi：展示如何部署预训练网络，自动加载上述示例中生成的网络配置和权重文件。
• MNIST(RT_Deployment)（项目）：展示如何将预训练模型部署到 NI 的实时目标设备上。
• MNIST_CNN_GPU（项目）：展示如何在 GPU 上加速网络的训练和部署过程。
• YOLO_Object_Detection(Cam).vi：展示如何使用 YOLO（You Only Look Once）架构部署预训练网络，实现目标检测。
• YOLO_GPU（项目）：展示如何加速 YOLO 目标检测网络，并部署到 GPU 上。
• Object_Detection（项目）：展示如何在简单数据集上训练神经网络进行目标检测。

工具包下载

https://download.ni.com/evaluation/labview/lvtn/vipm/packages/ngene_lv_dnn_deep_learning_toolkit/ngene_lv_dnn_deep_learning_toolkit-8.0.2.254.vip

报价单

序号	进口前	进口税后(13%)	开票	时间	台数单价
1	18,000	20,340	专票	1年	1台