Предсказание глубокого обучения с Intel MKL-DNN
В этом примере показано, как использовать codegen сгенерировать код для приложения классификации изображений, которое использует глубокое обучение на процессорах Intel®. Сгенерированный код использует в своих интересах Math Kernel Library Intel для Глубоких нейронных сетей (MKL-DNN). Во-первых, пример генерирует MEX-функцию, которая запускает предсказание при помощи сети классификации изображений ResNet-50. Затем пример создает статическую библиотеку и компилирует ее с основным файлом, который запускает предсказание с помощью сети классификации изображений ResNet-50.
Предпосылки
Процессор Xeon с поддержкой Intel Усовершенствованные Векторные Расширения 2 (Intel AVX2) инструкции
Intel Math Kernel Library для глубоких нейронных сетей (MKL-DNN)
Библиотека Компьютерного зрения С открытым исходным кодом (OpenCV) v3.1
Переменные окружения для Intel MKL-DNN и OpenCV
MATLAB® Coder™, для генерации Кода С++.
Интерфейс MATLAB Coder пакета поддержки для Глубокого обучения.
Deep Learning Toolbox™, для использования
DAGNetworkобъектПакет Поддержки Модель Deep Learning Toolbox для пакета Сетевой поддержки ResNet-50, для использования предварительно обученной сети ResNet.
Для получения дополнительной информации смотрите Предпосылки для Глубокого обучения для MATLAB Coder (MATLAB Coder).
Этот пример поддерживается на Linux® и платформах Windows® и не поддерживаемый для MATLAB Online.
resnet_predict Функция
Этот пример использует сеть DAG ResNet-50, чтобы показать классификацию изображений с MKL-DNN. Предварительно обученная модель ResNet-50 для MATLAB доступна в пакете поддержки Модель Deep Learning Toolbox для Сети ResNet-50. Чтобы загрузить и установить пакет поддержки, используйте Add-On Explorer. Смотрите Получают и Управляют Дополнениями (MATLAB).
resnet_predict функционируйте загружает сеть ResNet-50 в персистентный сетевой объект. На последующих вызовах функции снова используется постоянный объект.
type resnet_predict
% Copyright 2018 The MathWorks, Inc.
function out = resnet_predict(in)
%#codegen
% A persistent object mynet is used to load the series network object.
% At the first call to this function, the persistent object is constructed and
% setup. When the function is called subsequent times, the same object is reused
% to call predict on inputs, avoiding reconstructing and reloading the
% network object.
persistent mynet;
if isempty(mynet)
% Call the function resnet50 that returns a DAG network
% for ResNet-50 model.
mynet = coder.loadDeepLearningNetwork('resnet50','resnet');
end
% pass in input
out = mynet.predict(in);
Сгенерируйте код MEX для resnet_predict Функция
Сгенерировать MEX-функцию от resnet_predict.m функция, используйте codegen с объектом настройки глубокого обучения, созданным для библиотеки MKL-DNN. Присоедините объект настройки глубокого обучения к объекту настройки генерации кода MEX, что вы передаете codegen.
cfg = coder.config('mex'); cfg.TargetLang = 'C++'; cfg.DeepLearningConfig = coder.DeepLearningConfig('mkldnn'); codegen -config cfg resnet_predict -args {ones(224,224,3,'single')} -report
Code generation successful: To view the report, open('codegen\mex\resnet_predict\html\report.mldatx').
Вызовите predict на тестовом изображении
im = imread('peppers.png');
im = imresize(im, [224,224]);
imshow(im);
predict_scores = resnet_predict_mex(single(im));
Сопоставьте лучшие пять баллов предсказания со словами в synset словаре.
fid = fopen('synsetWords.txt'); synsetOut = textscan(fid,'%s', 'delimiter', '\n'); synsetOut = synsetOut{1}; fclose(fid); [val,indx] = sort(predict_scores, 'descend'); scores = val(1:5)*100; top5labels = synsetOut(indx(1:5));
Отобразите лучшие пять меток классификации на изображении.
outputImage = zeros(224,400,3, 'uint8'); for k = 1:3 outputImage(:,177:end,k) = im(:,:,k); end scol = 1; srow = 1; outputImage = insertText(outputImage, [scol, srow], 'Classification with ResNet-50', 'TextColor', 'w','FontSize',20, 'BoxColor', 'black'); srow = srow + 30; for k = 1:5 outputImage = insertText(outputImage, [scol, srow], [top5labels{k},' ',num2str(scores(k), '%2.2f'),'%'], 'TextColor', 'w','FontSize',15, 'BoxColor', 'black'); srow = srow + 25; end imshow(outputImage);
Очистите статический сетевой объект из памяти.
clear mex;
Сгенерируйте статическую библиотеку для resnet_predict Функция
Сгенерировать статическую библиотеку от resnet_predict.m функция, используйте codegen с объектом настройки глубокого обучения, созданным для библиотеки MKL-DNN. Присоедините объект настройки глубокого обучения к объекту настройки генерации кода, что вы передаете codegen.
cfg = coder.config('lib'); cfg.TargetLang = 'C++'; cfg.DeepLearningConfig = coder.DeepLearningConfig('mkldnn'); codegen -config cfg resnet_predict -args {ones(224,224,3,'single')} -report % codegendir = fullfile(pwd, 'codegen', 'lib', 'resnet_predict');
Code generation successful: To view the report, open('codegen\lib\resnet_predict\html\report.mldatx').
main_resnet.cpp Файл
Основной файл используется, чтобы сгенерировать исполняемый файл от статической библиотеки, созданной codegen команда. Основной файл читает входное изображение, предсказание запусков на изображении, и отображает метки классификации на изображении.
type main_resnet.cpp
/* Copyright 2018 The MathWorks, Inc. */
#include "resnet_predict.h"
#include <stdio.h>
#include <string.h>
#include <math.h>
#include <iostream>
#include "opencv2/opencv.hpp"
using namespace cv;
int readData(void* inputBuffer, char* inputImage) {
Mat inpImage, intermImage;
inpImage = imread(inputImage, 1);
Size size(224, 224);
resize(inpImage, intermImage, size);
if (!intermImage.data) {
printf(" No image data \n ");
exit(1);
}
float* input = (float*)inputBuffer;
for (int j = 0; j < 224 * 224; j++) {
// BGR to RGB
input[2 * 224 * 224 + j] = (float)(intermImage.data[j * 3 + 0]);
input[1 * 224 * 224 + j] = (float)(intermImage.data[j * 3 + 1]);
input[0 * 224 * 224 + j] = (float)(intermImage.data[j * 3 + 2]);
}
return 1;
}
#if defined(WIN32) || defined(_WIN32) || defined(__WIN32) || defined(_WIN64)
int cmpfunc(void* r, const void* a, const void* b) {
float x = ((float*)r)[*(int*)b] - ((float*)r)[*(int*)a];
return (x > 0 ? ceil(x) : floor(x));
}
#else
int cmpfunc(const void* a, const void* b, void* r) {
float x = ((float*)r)[*(int*)b] - ((float*)r)[*(int*)a];
return (x > 0 ? ceil(x) : floor(x));
}
#endif
void top(float* r, int* top5) {
int t[1000];
for (int i = 0; i < 1000; i++) {
t[i] = i;
}
#if defined(WIN32) || defined(_WIN32) || defined(__WIN32) || defined(_WIN64)
qsort_s(t, 1000, sizeof(int), cmpfunc, r);
#else
qsort_r(t, 1000, sizeof(int), cmpfunc, r);
#endif
top5[0] = t[0];
top5[1] = t[1];
top5[2] = t[2];
top5[3] = t[3];
top5[4] = t[4];
return;
}
int prepareSynset(char synsets[1000][100]) {
FILE* fp1 = fopen("synsetWords.txt", "r");
if (fp1 == 0) {
return -1;
}
for (int i = 0; i < 1000; i++) {
if (fgets(synsets[i], 100, fp1) != NULL)
;
strtok(synsets[i], "\n");
}
fclose(fp1);
return 0;
}
void writeData(float* output, char synsetWords[1000][100], Mat &frame) {
int top5[5], j;
top(output, top5);
copyMakeBorder(frame, frame, 0, 0, 400, 0, BORDER_CONSTANT, CV_RGB(0,0,0));
char strbuf[50];
sprintf(strbuf, "%4.1f%% %s", output[top5[0]]*100, synsetWords[top5[0]]);
putText(frame, strbuf, cvPoint(30,80), CV_FONT_HERSHEY_DUPLEX, 1.0, CV_RGB(220,220,220), 1);
sprintf(strbuf, "%4.1f%% %s", output[top5[1]]*100, synsetWords[top5[1]]);
putText(frame, strbuf, cvPoint(30,130), CV_FONT_HERSHEY_DUPLEX, 1.0, CV_RGB(220,220,220), 1);
sprintf(strbuf, "%4.1f%% %s", output[top5[2]]*100, synsetWords[top5[2]]);
putText(frame, strbuf, cvPoint(30,180), CV_FONT_HERSHEY_DUPLEX, 1.0, CV_RGB(220,220,220), 1);
sprintf(strbuf, "%4.1f%% %s", output[top5[3]]*100, synsetWords[top5[3]]);
putText(frame, strbuf, cvPoint(30,230), CV_FONT_HERSHEY_DUPLEX, 1.0, CV_RGB(220,220,220), 1);
sprintf(strbuf, "%4.1f%% %s", output[top5[4]]*100, synsetWords[top5[4]]);
putText(frame, strbuf, cvPoint(30,280), CV_FONT_HERSHEY_DUPLEX, 1.0, CV_RGB(220,220,220), 1);
}
// Main function
int main(int argc, char* argv[]) {
int n = 1;
char synsetWords[1000][100];
namedWindow("Classification with ResNet-50",CV_WINDOW_NORMAL);
resizeWindow("Classification with ResNet-50",440,224);
Mat im;
im = imread(argv[1], 1);
float* ipfBuffer = (float*)calloc(sizeof(float), 224*224*3);
float* opBuffer = (float*)calloc(sizeof(float), 1000);
if (argc != 2) {
printf("Input image missing \nSample Usage-./resnet_exe image.png\n");
exit(1);
}
if (prepareSynset(synsetWords) == -1) {
printf("ERROR: Unable to find synsetWords.txt\n");
return -1;
}
//read input imaget to the ipfBuffer
readData(ipfBuffer, argv[1]);
//run prediction on image stored in ipfBuffer
resnet_predict(ipfBuffer, opBuffer);
//write predictions on input image
writeData(opBuffer, synsetWords, im);
//show predictions on input image
imshow("Classification with ResNet-50", im);
waitKey(5000);
destroyWindow("Classification with ResNet-50");
return 0;
}
Создание и запуск исполняемого файла
Создайте исполняемый файл на основе целевой платформы. На платформе Windows этот пример использует Microsoft® Visual Studio® 2017 в C++.
if ispc
setenv('MATLAB_ROOT', matlabroot);
system('make_mkldnn_win17.bat');
system('resnet.exe peppers.png');
else
setenv('MATLAB_ROOT', matlabroot);
system('make -f Makefile_mkldnn_linux.mk');
system('./resnet_exe peppers.png');
end
Результаты MEX-функции не могут совпадать с результатами сгенерированной статической библиотечной функции из-за различий в версии библиотеки, которой пользуются, чтобы считать входной файл изображения. Изображение, которое передается MEX-функции, читается с помощью версии, которую поставляет MATLAB. Изображение, которое передается статической библиотечной функции, читается с помощью версии, которую использует OpenCV.