Создайте функцию точки входа squeezenet это использует coder.loadDeepLearningNetwork функционируйте, чтобы загрузить squeezenet объект.

function out = squeezenet_predict(in)

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

out = predict(mynet,in);

Создайте coder.config объект настройки для генерации статической библиотеки.

cfg = coder.config('lib');

Установите выходной язык на C++. Укажите, что вы хотите сгенерировать только исходный код.

cfg.TargetLang = 'C++';
cfg.GenCodeOnly=true;

Создайте coder.ARMNEONConfig объект настройки глубокого обучения. Присвойте его DeepLearningConfig свойство cfg объект настройки.

dlcfg = coder.DeepLearningConfig('arm-compute');
dlcfg.ArmArchitecture = 'armv8';
dlcfg.ArmComputeVersion = '19.05';
cfg.DeepLearningConfig = dlcfg;

Используйте -config опция codegen функция, чтобы задать cfg объект настройки. codegen функция должна определить размер, класс и сложность входных параметров функции MATLAB^®. Используйте -args опция, чтобы задать размер входа к функции точки входа.

codegen -args {ones(227,227,3,'single')} -config cfg squeezenet_predict

codegen команда помещает все сгенерированные файлы в codegen папка. Папка содержит Код С++ для функции точки входа squeezenet_predict.cpp, заголовок и исходные файлы, содержащие определения класса C++ для сверточной нейронной сети (CNN), веса и файлов смещения.