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
`DarkNet`	Даркнет 19 и даркнет 53 сверточных нейронных сети. Для предварительно обученных моделей DarkNet смотрите `darknet19` и `darknet53`.	Да	Да
`DenseNet-201`	Сверточная нейронная сеть DenseNet-201. Для предварительно обученной модели DenseNet-201 смотрите `densenet201`.	Да	Да
`GoogLeNet`	Сверточная нейронная сеть GoogLeNet. Для предварительно обученной модели GoogLeNet смотрите `googlenet`.	Да	Да
`Inception-ResNet-v2`	Сверточная нейронная сеть Inception-ResNet-v2. Для предварительно обученной модели Inception-ResNet-v2 смотрите `inceptionresnetv2`.	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
`NASNet-Large`	NASNet-большая сверточная нейронная сеть. Для предварительно обученной NASNet-большой-модели смотрите `nasnetlarge`.	Да	Да
`NASNet-Mobile`	NASNet-мобильная сверточная нейронная сеть. Для предварительно обученной модели NASNet-Mobile смотрите `nasnetmobile`.	Да	Да
`ResNet`	ResNet-18, ResNet-50 и сверточные нейронные сети ResNet-101. Для предварительно обученных моделей ResNet смотрите `resnet18`, `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 SqeezeNet 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
`Xception`	Сверточная нейронная сеть Xception. Для предварительно обученной модели Xception смотрите `xception`.	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
`anchorBoxLayer`	Слой поля привязки	Да	Да
`averagePooling2dLayer`	Средний слой объединения	Да	Да
`batchNormalizationLayer`	Слой нормализации партии.	Да	Да
`bilstmLayer`	Двунаправленный слой LSTM	Да	Нет
`classificationLayer`	Создайте классификацию выходной слой	Да	Да
`clippedReluLayer`	Отсеченный слой Rectified Linear Unit (ReLU)	Да	Да
`concatenationLayer`	Слой Concatenation	Да	Да
`convolution2dLayer`	2D слой свертки	Да	Да
`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
`dropoutLayer`	Слой Dropout	Да	Да
`eluLayer`	Слой Exponential linear unit (ELU)	Да	Да
`fullyConnectedLayer`	Полносвязный слой	Да	Да
`globalAveragePooling2dLayer`	Глобальный средний слой объединения для пространственных данных	Да	Да
`globalMaxPooling2dLayer`	2D глобальная переменная макс. объединение слоя	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
`lstmLayer`	Слой Long short-term memory (LSTM)	Да	Нет
`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
`sequenceInputLayer`	Последовательность ввела слой	Да	Нет
`softmaxLayer`	Слой Softmax	Да	Да
`ssdMergeLayer`	Слой слияния SSD для обнаружения объектов	Да	Да
`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
`wordEmbeddingLayer`	Слой встраивания слова сопоставляет словари с векторами	Да	Нет
`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

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
`ssdObjectDetector`	Объект обнаружить объекты с помощью основанного на SSD детектора. Только `detect` метод `ssdObjectDetector` поддерживается для генерации кода. `roi` аргумент к `detect` метод должен быть codegen константой (`coder.const()`) и 1x4 вектор. Только `Threshold`, `SelectStrongest`, `MinSize`, `MaxSize`, и `MiniBatchSize` Пары "имя-значение" поддерживаются. Все Пары "имя-значение" должны быть константами времени компиляции. Канал и пакетный размер входного изображения должны быть фиксированным размером. `labels` выходной параметр возвращен как категориальный массив. В сгенерированном коде вход перемасштабируется к размеру входного слоя сети. Но ограничительная рамка, что `detect` возвраты метода в отношении исходного входного размера.	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

ssdObjectDetector

Объект обнаружить объекты с помощью основанного на SSD детектора.

Только detect метод ssdObjectDetector поддерживается для генерации кода.
roi аргумент к detect метод должен быть codegen константой (coder.const()) и 1x4 вектор.
Только Threshold, SelectStrongest, MinSize, MaxSize, и MiniBatchSize Пары "имя-значение" поддерживаются. Все Пары "имя-значение" должны быть константами времени компиляции.
Канал и пакетный размер входного изображения должны быть фиксированным размером.
labels выходной параметр возвращен как категориальный массив.
В сгенерированном коде вход перемасштабируется к размеру входного слоя сети. Но ограничительная рамка, что detect возвраты метода в отношении исходного входного размера.

Да

Смотрите также

coder.getDeepLearningLayers

Документация