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.
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 | 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 | Да | Да |
GoogLeNet | Сверточная нейронная сеть GoogLeNet. Для предварительно обученной модели GoogLeNet смотрите | Да | Да |
Inception-ResNet-v2 | Сверточная нейронная сеть Inception-ResNet-v2. Для предварительно обученной модели Inception-ResNet-v2 смотрите | 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 | Да | Да |
NASNet-Large | NASNet-большая сверточная нейронная сеть. Для предварительно обученной NASNet-большой-модели смотрите | Да | Да |
NASNet-Mobile | NASNet-мобильная сверточная нейронная сеть. Для предварительно обученной модели NASNet-Mobile смотрите | Да | Да |
ResNet | ResNet-18, ResNet-50 и сверточные нейронные сети ResNet-101. Для предварительно обученных моделей ResNet смотрите | Да | Да |
SegNet | Мультикласс pixelwise сеть сегментации. Для получения дополнительной информации смотрите | Нет | Да |
SqueezeNet | Маленький, глубокая нейронная сеть. Для предварительно обученных моделей SqeezeNet смотрите | Да | Да |
VGG-16 | Сверточная нейронная сеть VGG-16. Для предварительно обученной модели VGG-16 смотрите | Да | Да |
VGG-19 | Сверточная нейронная сеть VGG-19. Для предварительно обученной модели VGG-19 смотрите | Да | Да |
Xception | Сверточная нейронная сеть Xception. Для предварительно обученной модели Xception смотрите | Да | Да |
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 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 |
2D сгруппированный сверточный слой | Да
| Да | |
imageInputLayer | Отобразите входной слой
| 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 |
| 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 |
| Сигмоидальный слой активации | Да | Да |
| Гиперболический слой активации касательной | Да | Да |
| Нулевой дополнительный слой для 2D входа | Да | Да |
nnet.onnx.layer.ElementwiseAffineLayer | Слой, который выполняет поэлементное масштабирование входа, сопровождаемого сложением | Да | Да |
| Сгладьте слой для сети ONNX™ | Да | Да |
| Слой, который реализует единичный оператор ONNX | Да | Да |
Гиперболическая касательная (tanh) слой | Да | Да | |
Транспонированный 2D слой свертки Генерация кода не поддерживает асимметричную обрезку входа. Например, задавая векторный | Да | Да | |
Слой встраивания слова сопоставляет словари с векторами | Да | Нет | |
| Выведите слой для сети обнаружения объектов YOLO v2 | Да | Да |
| Слой Reorganization для сети обнаружения объектов YOLO v2 | Да | Да |
| Преобразуйте слой для сети обнаружения объектов YOLO v2 | Да | Да |
Класс | Описание | ARM вычисляет библиотеку | Intel MKL-DNN |
---|---|---|---|
| Да | Да | |
ssdObjectDetector | Объект обнаружить объекты с помощью основанного на SSD детектора.
| Да | Да |