Сети и слои, поддержанные для генерации кода С++

MATLAB^® Coder™ поддерживает генерацию кода для ряда и сверточных нейронных сетей направленного графа без петель (DAG) (CNNs или ConvNets). Можно сгенерировать код для любой обученной сверточной нейронной сети, слои которой поддерживаются для генерации кода. Смотрите Поддерживаемые Слои.

Поддерживаемые предварительно обученные сети

Следующие предварительно обученные сети, доступные в Deep Learning Toolbox™, поддерживаются для генерации кода.

Сетевое имя	Описание	Библиотека ARM^® Compute	Intel^® MKL-DNN
`AlexNet`	Сверточная нейронная сеть AlexNet. Для предварительно обученной модели AlexNet смотрите `alexnet`.	Да	Да
`GoogLeNet`	Сверточная нейронная сеть GoogLeNet. Для предварительно обученной модели GoogLeNet смотрите `googlenet`.	Да	Да
Inception-v3	Сверточная нейронная сеть Inception-v3. Для предварительно обученной модели Inception-v3 смотрите `inceptionv3`.	Да	Да
`MobileNet-v2`	Сверточная нейронная сеть MobileNet-v2. Для предварительно обученной модели MobileNet-v2 смотрите `mobilenetv2`.	Да	Да
`ResNet`	Сверточные нейронные сети ResNet-50 и ResNet-101. Для предварительно обученных моделей ResNet смотрите `resnet50` и `resnet101`.	Да	Да
`SegNet`	Мультикласс pixelwise сеть сегментации. Для получения дополнительной информации смотрите `segnetLayers`.	Нет	Да
`SqueezeNet`	Маленький, глубокая нейронная сеть. Для предварительно обученных моделей ResNet смотрите `squeezenet`.	Да	Да
`VGG-16`	Сверточная нейронная сеть VGG-16. Для предварительно обученной модели VGG-16 смотрите `vgg16`.	Да	Да
`VGG-19`	Сверточная нейронная сеть VGG-19. Для предварительно обученной модели VGG-19 смотрите `vgg19`.	Да	Да

Поддерживаемые слои

Следующие слои поддерживаются для генерации кода MATLAB Coder для целевых библиотек глубокого обучения, заданных в таблице.

Если вы устанавливаете Интерфейс MATLAB Coder пакета поддержки для Библиотек Глубокого обучения, можно использовать coder.getDeepLearningLayers видеть список слоев, поддержанных для определенной библиотеки глубокого обучения. Например:

coder.getDeepLearningLayers('mkldnn')

Имя слоя	Описание	ARM вычисляет библиотеку	Intel MKL-DNN
`additionLayer`	Слой Addition	Да	Да
`averagePooling2dLayer`	Средний слой объединения	Да	Да
`batchNormalizationLayer`	Пакетный слой нормализации	Да	Да
`classificationLayer`	Создайте классификацию выходной слой	Да	Да
`clippedReluLayer`	Отсеченный слой Rectified Linear Unit (ReLU)	Да	Да
`convolution2dLayer`	2D слой свертки	Да	Да Смотрите Ограничение для convolution2dLayer для MKL-DNN и центральных процессоров То Использование AVX-512
`crop2dLayer`	Слой, который применяет 2D обрезку к входу	Да	Да
`CrossChannelNormalizationLayer`	Мудрый каналом локальный слой нормализации ответа	Да	Да
Пользовательские выходные слои	Все выходные слои включая пользовательскую классификацию или регрессию выводят слои, созданные при помощи `nnet.layer.ClassificationLayer` или `nnet.layer.RegressionLayer`. Для примера, показывающего, как задать пользовательскую классификацию выходной слой и задать функцию потерь, смотрите, Задают Пользовательскую Классификацию Выходной Слой (Deep Learning Toolbox). Для примера, показывающего, как задать пользовательскую регрессию выходной слой и задать функцию потерь, смотрите, Задают Пользовательскую Регрессию Выходной Слой (Deep Learning Toolbox).	Да	Да
`depthConcatenationLayer`	Слой конкатенации глубины	Да	Да Чтобы сгенерировать код, который использует MKL-DNN v0.14, или все размерности канала входных параметров слоя должны быть множителями 8 или всеми размерностями канала, должны быть немножители 8.
`dropoutLayer`	Слой Dropout	Да	Да
`fullyConnectedLayer`	Полносвязный слой	Да	Да
`globalAveragePooling2dLayer`	Глобальный средний слой объединения для пространственных данных	Да	Да
`groupedConvolution2dLayer`	2D сгруппированный сверточный слой	Да Если вы задаете целое число для `numGroups`, затем значение должно быть меньше чем или равно `2`.	Да
`imageInputLayer`	Отобразите входной слой Генерация кода не поддерживает `'Normalization'` заданное использование указателя на функцию.	Да	Да
`leakyReluLayer`	Текучий слой Rectified Linear Unit (ReLU)	Да	Да
`maxPooling2dLayer`	Слой объединения Max	Да	Да
`maxUnpooling2dLayer`	Слой необъединения Max	Нет	Да
`pixelClassificationLayer`	Создайте слой классификации пикселей для семантической сегментации	Да	Да
`regressionLayer`	Создайте регрессию выходной слой	Да	Да
`reluLayer`	Слой Rectified Linear Unit (ReLU)	Да	Да
`softmaxLayer`	Слой Softmax	Да	Да Смотрите ограничение с MKL-DNN и большими отрицательными входными значениями к слою Softmax
`nnet.keras.layer.FlattenCStyleLayer`	Сглаживает активации в 1D C-стиль принятия (упорядоченный по строкам) порядок	Да	Да
`nnet.keras.layer.GlobalAveragePooling2dLayer`	Глобальный средний слой объединения для пространственных данных	Да	Да
`nnet.keras.layer.SigmoidLayer`	Сигмоидальный слой активации	Да	Да
`nnet.keras.layer.TanhLayer`	Гиперболический слой активации касательной	Да	Да
`nnet.keras.layer.ZeroPadding2dLayer`	Нулевой дополнительный слой для 2D входа	Да	Да
`nnet.onnx.layer.ElementwiseAffineLayer`	Слой, который выполняет поэлементное масштабирование входа, сопровождаемого сложением	Да	Да
`nnet.onnx.layer.FlattenLayer`	Сгладьте слой для сети ONNX™	Да	Да
`nnet.onnx.layer.IdentityLayer`	Слой, который реализует единичный оператор ONNX.	Да	Да
`tanhLayer`	Гиперболическая касательная (tanh) слой	Да	Да
`transposedConv2dLayer`	Транспонированный 2D слой свертки Генерация кода не поддерживает асимметричную обрезку входа. Например, задавая векторный `[t b l r]` для `'Cropping'` параметр, чтобы обрезать верхнюю часть, нижнюю часть, оставленную, и право на вход, не поддержан.	Да	Да
`YOLOv2OutputLayer`	Выведите слой для сети обнаружения объектов YOLO v2	Да	Да
`YOLOv2ReorgLayer`	Слой Reorganization для сети обнаружения объектов YOLO v2	Да	Да
`YOLOv2TransformLayer`	Преобразуйте слой для сети обнаружения объектов YOLO v2	Да	Да

Ограничение с MKL-DNN и большими отрицательными входными значениями к слою Softmax

Сгенерированный код для softmax слоя может быть неправильным (содержите NaN значения), когда все следующие условия верны:

Вы генерируете код с помощью MKL-DNN.
Сеть является сетью FCN или пользовательской сетью (сеть, которую вы создаете и обучаете).
Вход к softmax слою имеет большую, отрицательную величину. Если softmax слою не предшествует слой ReLU, вход к softmax слою может быть большой, отрицательной величиной.

Ограничение для `convolution2dLayer` для MKL-DNN и центральных процессоров то использование AVX-512

Для MKL-DNN v0.14 и центральных процессоров, которые используют AVX-512, сгенерированный код для операций свертки может привести к неправильным результатам, если сеть имеет слои свертки с этими размерами и дополнением:

Входные тензоры к слою свертки имеют высоту и ширину, которые являются множителями 224.
Дополняющий правильный параметр слоя свертки имеет ненулевое значение.
Количество выходных фильтров слоя свертки является кратным 16.

Проверьте, не содержит ли выход сгенерированного кода такие неправильные результаты путем сравнения его с выходом, полученным из выполнения predict в сети в MATLAB.

Поддерживаемые классы

Класс	Описание	ARM вычисляет библиотеку	Intel MKL-DNN
`yolov2ObjectDetector`	Только `detect` метод `yolov2ObjectDetector` поддерживается для генерации кода. `roi` аргумент к `detect` метод должен быть постоянной генерацией кода (`coder.const()`) и 1x4 вектор. Только `Threshold`, `SelectStrongest`, `MinSize`, и `MaxSize` пары "имя-значение" для `detect` поддерживаются. `labels` выход `detect` возвращен как массив ячеек из символьных векторов, например, `{'car','bus'}`.	Да	Да

Класс

Описание

ARM вычисляет библиотеку

Intel MKL-DNN

yolov2ObjectDetector

Только detect метод yolov2ObjectDetector поддерживается для генерации кода.
roi аргумент к detect метод должен быть постоянной генерацией кода (coder.const()) и 1x4 вектор.
Только Threshold, SelectStrongest, MinSize, и MaxSize пары "имя-значение" для detect поддерживаются.
labels выход detect возвращен как массив ячеек из символьных векторов, например, {'car','bus'}.

Да

Смотрите также

coder.getDeepLearningLayers

Документация