Глубокие образовательные сети и уровни, поддержанные для генерации кода С++

^{MATLAB® Coder™} поддерживает генерацию кода для ряда и направленного графа без петель (DAG) сверточные нейронные сети (CNNs или ConvNets). Можно сгенерировать код для любой обученной сверточной нейронной сети, уровни которой поддержаны для генерации кода. Смотрите Поддерживаемые Уровни.

Поддерживаемые предварительно обученные сети

Следующие предварительно обученные сети, доступные в Глубоком Изучении Toolbox™, поддержаны для генерации кода.

Сетевое имя	Описание	Библиотека ^{ARM® Compute}	^{Intel® MKL-DNN}
`AlexNet`	AlexNet сверточная нейронная сеть. Для предварительно обученной модели AlexNet смотрите `alexnet`.	Да	Да
`GoogLeNet`	GoogLeNet сверточная нейронная сеть. Для предварительно обученной модели GoogLeNet смотрите `googlenet`.	Да	Да
`ResNet`	ResNet-50 и сверточные нейронные сети ResNet-101. Для предварительно обученных моделей ResNet смотрите `resnet50` и `resnet101`.	Да	Да
`SqueezeNet`	Маленькая, глубокая нейронная сеть. Для предварительно обученных моделей ResNet смотрите `squeezenet`.	Да	Да
`VGG-16`	VGG-16 сверточная нейронная сеть. Для предварительно обученной модели VGG-16 смотрите `vgg16`.	Да	Да
`VGG-19`	VGG-19 сверточная нейронная сеть. Для предварительно обученной модели VGG-19 смотрите `vgg19`.	Да	Да

Поддерживаемые уровни

Следующие уровни поддержаны для генерации кода MATLAB CODER для цели глубоко изучение библиотек, заданных в таблице.

Если вы устанавливаете Интерфейс MATLAB CODER пакета поддержки для Глубокого Изучения Библиотек, можно использовать coder.getDeepLearningLayers, чтобы видеть список уровней, поддержанных для определенной глубокой библиотеки изучения. Например:

coder.getDeepLearningLayers('mkldnn')

Имя уровня	Описание	ARM вычисляет библиотеку	Intel MKL-DNN
`additionLayer`	Уровень Addition	Да	Да
`averagePooling2dLayer`	Средний уровень объединения	Да	Да
`batchNormalizationLayer`	Пакетный уровень нормализации	Да	Да
`classificationLayer`	Создайте классификацию выходной уровень	Да	Да
`clippedReluLayer`	Отсеченный уровень Rectified Linear Unit (ReLU)	Нет	Да
`convolution2dLayer`	2D уровень свертки	Да	Да
`crossChannelNormalizationLayer`	Мудрый каналом локальный уровень нормализации ответа	Да	Да
`depthConcatenationLayer`	Уровень конкатенации глубины	Да	Да
`dropoutLayer`	Уровень Dropout	Да	Да
`fullyConnectedLayer`	Полностью связанный уровень	Да	Да
`imageInputLayer`	Отобразите входной уровень	Да	Да
`leakyReluLayer`	Текучий уровень Rectified Linear Unit (ReLU)		Да
`maxPooling2dLayer`	Уровень объединения Max	Да	Да
`PixelClassificationLayer`	Создайте уровень классификации пикселей для семантической сегментации	Да	Да
`regressionLayer`	Создайте регрессию выходной уровень	Да	Да
`reluLayer`	Уровень Rectified Linear Unit (ReLU)	Да	Да
`softmaxLayer`	Уровень Softmax	Да	Да

Смотрите также

coder.getDeepLearningLayers

Документация