Получите MAT-файл, содержащий предварительно обученную сеть AlexNet.

url = 'https://www.mathworks.com/supportfiles/gpucoder/cnn_models/alexnet/alexnet.mat';
websave('alexnet.mat',url);

Создайте функцию точки входа alexneteg, который использует функцию coder.loadDeepLearningNetwork, чтобы загрузить alexnet.mat в персистентный объект mynet SeriesNetwork.

function out = alexneteg(in)

persistent mynet;
if isempty(mynet)
    mynet = coder.loadDeepLearningNetwork('alexnet.mat', 'myalexnet');
end

out = predict(mynet,in);

Постоянный объект старается не восстанавливать и перезагружать сетевой объект во время последующих вызовов функции, чтобы вызвать метод predict на входной параметр

Входной уровень предварительно обученной сети AlexNet принимает изображения размера 227x227x3. Используйте следующие строки кода, чтобы считать входное изображение из графического файла и изменить размер его к 227x227.

in = imread('peppers.png');
in = imresize(in,[227,227]);

Создайте объект настройки coder.gpuConfig для генерации кода MEX и установите выходной язык на C++. На объекте настройки, набор DeepLearningConfig с targetlib как 'cudnn'. Функция codegen должна определить размер, класс и сложность входных параметров функции MATLAB. Используйте опцию -args, чтобы задать размер входного параметра к функции точки входа. Используйте опцию -config, чтобы передать объект настройки кода.

cfg = coder.gpuConfig('mex');
cfg.TargetLang = 'C++';
cfg.DeepLearningConfig = coder.DeepLearningConfig('cudnn'); 
codegen -args {ones(227,227,3,'single')} -config cfg alexneteg

Команда codegen помещает все сгенерированные файлы в папку codegen. Папка содержит код CUDA для функции точки входа alexneteg.cu, заголовок и исходные файлы, содержащие определения класса C++ для замысловатой нейронной сети (CNN), веса и файлов смещения.

Создайте функцию точки входа alexnetfun, который использует функцию coder.loadDeepLearningNetwork, чтобы вызвать Глубокое Изучение функции тулбокса Toolbox™ alexnet. Эта функция возвращает предварительно обученную сеть AlexNet.

function out = alexnetfun(in)

persistent mynet;
if isempty(mynet)
    mynet = coder.loadDeepLearningNetwork('alexnet', 'myalexnet');
end

out = predict(mynet,in);

Постоянный объект старается не восстанавливать и перезагружать сетевой объект во время последующих вызовов функции, чтобы вызвать метод predict на входной параметр

Входной уровень предварительно обученной сети AlexNet принимает изображения размера 227x227x3. Чтобы считать входное изображение из графического файла и изменить размер его к 227x227, используйте следующие строки кода:

in = imread('peppers.png');
in = imresize(in,[227,227]);

Создайте объект настройки coder.gpuConfig для генерации кода MEX и установите выходной язык на C++. Функция codegen должна определить размер, класс и сложность входных параметров функции MATLAB. Используйте опцию -args, чтобы задать размер входного параметра к функции точки входа и опции -config, чтобы передать объект настройки кода.

cfg = coder.gpuConfig('mex');
cfg.TargetLang = 'C++';
cfg.DeepLearningConfig = coder.DeepLearningConfig('cudnn'); 
codegen -args {ones(227,227,3,'single')} -config cfg alexnetfun

Команда codegen помещает все сгенерированные файлы в папку codegen. Это содержит код CUDA для функции точки входа alexneteg.cu, заголовок и исходные файлы, содержащие определения класса C++ для замысловатой нейронной сети (CNN), веса и файлов смещения.