Сети и слои, поддержанные для генерации кода С++

MATLAB^® Coder™ поддерживает генерацию кода для ряда, направленного графа без петель (DAG) и текущих сверточных нейронных сетей (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` (Deep Learning Toolbox).	Да	Да
`DarkNet`	Даркнет 19 и сверточные нейронные сети DarkNet-53. Для предварительно обученных моделей DarkNet смотрите `darknet19` (Deep Learning Toolbox) и `darknet53` (Deep Learning Toolbox).	Да	Да
`DenseNet-201`	Сверточная нейронная сеть DenseNet-201. Для предварительно обученной модели DenseNet-201 смотрите `densenet201` (Deep Learning Toolbox).	Да	Да
`EfficientNet-b0`	Сверточная нейронная сеть EfficientNet-b0. Для предварительно обученной модели EfficientNet-b0 смотрите `efficientnetb0` (Deep Learning Toolbox).	Да	Да
`GoogLeNet`	Сверточная нейронная сеть GoogLeNet. Для предварительно обученной модели GoogLeNet смотрите `googlenet` (Deep Learning Toolbox).	Да	Да
`Inception-ResNet-v2`	Сверточная нейронная сеть Inception-ResNet-v2. Для предварительно обученной модели Inception-ResNet-v2 смотрите `inceptionresnetv2` (Deep Learning Toolbox).	Да	Да
`Inception-v3`	Сверточная нейронная сеть Inception-v3. Для предварительно обученной модели Inception-v3 смотрите `inceptionv3` (Deep Learning Toolbox).	Да	Да
`MobileNet-v2`	Сверточная нейронная сеть MobileNet-v2. Для предварительно обученной модели MobileNet-v2 смотрите `mobilenetv2` (Deep Learning Toolbox).	Да	Да
`NASNet-Large`	NASNet-большая сверточная нейронная сеть. Для предварительно обученной NASNet-большой-модели смотрите `nasnetlarge` (Deep Learning Toolbox).	Да	Да
`NASNet-Mobile`	NASNet-мобильная сверточная нейронная сеть. Для предварительно обученной модели NASNet-Mobile смотрите `nasnetmobile` (Deep Learning Toolbox).	Да	Да
`ResNet`	ResNet-18, ResNet-50 и сверточные нейронные сети ResNet-101. Для предварительно обученных моделей ResNet смотрите `resnet18` (Deep Learning Toolbox), `resnet50` (Deep Learning Toolbox), и `resnet101` (Deep Learning Toolbox).	Да	Да
`SegNet`	Мультикласс pixelwise сеть сегментации. Для получения дополнительной информации смотрите `segnetLayers` (Computer Vision Toolbox).	Нет	Да
`SqueezeNet`	Маленький, глубокая нейронная сеть. Для предварительно обученных моделей SqeezeNet смотрите `squeezenet` (Deep Learning Toolbox).	Да	Да
`VGG-16`	Сверточная нейронная сеть VGG-16. Для предварительно обученной модели VGG-16 смотрите `vgg16` (Deep Learning Toolbox).	Да	Да
`VGG-19`	Сверточная нейронная сеть VGG-19. Для предварительно обученной модели VGG-19 смотрите `vgg19` (Deep Learning Toolbox).	Да	Да
`Xception`	Сверточная нейронная сеть Xception. Для предварительно обученной модели Xception смотрите `xception` (Deep Learning Toolbox).	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` (Deep Learning Toolbox)	Слой Addition	Да	Да
`anchorBoxLayer` (Computer Vision Toolbox)	Слой поля привязки	Да	Да
`averagePooling2dLayer` (Deep Learning Toolbox)	Средний слой объединения	Да	Да
`batchNormalizationLayer` (Deep Learning Toolbox)	Слой нормализации партии.	Да	Да
`bilstmLayer` (Deep Learning Toolbox)	Двунаправленный слой LSTM	Да	Да
`classificationLayer` (Deep Learning Toolbox)	Создайте классификацию выходной слой	Да	Да
`clippedReluLayer` (Deep Learning Toolbox)	Отсеченный слой Rectified Linear Unit (ReLU)	Да	Да
`concatenationLayer` (Deep Learning Toolbox)	Слой Concatenation	Да	Да
`convolution2dLayer` (Deep Learning Toolbox)	2D слой свертки	Да	Да
`crop2dLayer` (Deep Learning Toolbox)	Слой, который применяет 2D обрезку к входу	Да	Да
`CrossChannelNormalizationLayer` (Deep Learning Toolbox)	Мудрый каналом локальный слой нормализации ответа	Да	Да
Пользовательские слои	Пользовательские слои, с или без настраиваемых параметров, которые вы задаете для своей проблемы. См.: Задайте пользовательские слои глубокого обучения (Deep Learning Toolbox) Задайте пользовательский слой глубокого обучения для генерации кода (Deep Learning Toolbox) Сети и слои, поддержанные для генерации кода С++ Выходные параметры пользовательского слоя должны быть массивами фиксированного размера. Пользовательские слои в сетях последовательности не поддерживаются для генерации кода.	Да Сгенерированный код использует упорядоченное по столбцам размещение для ваших данных массива. Генерация кода, который использует упорядоченное по строкам размещение массивов, не поддерживается.	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` (Deep Learning Toolbox)	Слой конкатенации глубины	Да	Да
`dicePixelClassificationLayer` (Computer Vision Toolbox)	Слой классификации пикселей Dice обеспечивает категориальную метку для каждого пикселя изображения, или воксель с помощью обобщил Dice Loss.	Да	Да
`dropoutLayer` (Deep Learning Toolbox)	Слой Dropout	Да	Да
`eluLayer` (Deep Learning Toolbox)	Слой Exponential linear unit (ELU)	Да	Да
`focalLossLayer` (Computer Vision Toolbox)	Фокальный слой потерь предсказывает классы объектов с помощью фокальной потери.	Да	Да
`fullyConnectedLayer` (Deep Learning Toolbox)	Полносвязный слой	Да	Да
`globalAveragePooling2dLayer` (Deep Learning Toolbox)	Глобальный средний слой объединения для пространственных данных	Да	Да
`globalMaxPooling2dLayer` (Deep Learning Toolbox)	2D глобальная переменная макс. объединение слоя	Да	Да
`groupedConvolution2dLayer` (Deep Learning Toolbox)	2D сгруппированный сверточный слой	Да Если вы задаете целое число для `numGroups`, затем значение должно быть меньше чем или равно `2`.	Да
`gruLayer` (Deep Learning Toolbox)	Слой Gated recurrent unit (GRU)	Да	Да
`imageInputLayer` (Deep Learning Toolbox)	Отобразите входной слой Генерация кода не поддерживает `'Normalization'` заданное использование указателя на функцию.	Да	Да
`leakyReluLayer` (Deep Learning Toolbox)	"Слой ""с утечкой"" Rectified Linear Unit (ReLU)"	Да	Да
`lstmLayer` (Deep Learning Toolbox)	Слой Long short-term memory (LSTM)	Да	Да
`maxPooling2dLayer` (Deep Learning Toolbox)	Слой объединения Max	Да	Да
`maxUnpooling2dLayer` (Deep Learning Toolbox)	Слой необъединения Max	Нет	Да
`multiplicationLayer` (Deep Learning Toolbox)	Слой Multiplication	Да	Да
`pixelClassificationLayer` (Computer Vision Toolbox)	Создайте слой классификации пикселей для семантической сегментации	Да	Да
`rcnnBoxRegressionLayer` (Computer Vision Toolbox)	Слой регрессии поля для Быстрого и Faster R-CNN	Да	Да
`rpnClassificationLayer` (Computer Vision Toolbox)	Слой Classification для сетей предложения по области (RPNs)	Да	Да
`regressionLayer` (Deep Learning Toolbox)	Создайте регрессию выходной слой	Да	Да
`reluLayer` (Deep Learning Toolbox)	Слой Rectified Linear Unit (ReLU)	Да	Да
`scalingLayer` (Reinforcement Learning Toolbox)	Слой Scaling для агента или сети критика	Да	Да
`sigmoidLayer` (Deep Learning Toolbox)	Сигмоидальный слой	Да	Да
`sequenceInputLayer` (Deep Learning Toolbox)	Последовательность ввела слой Для генерации кода только поддерживаются векторные входные последовательности. Для векторных входных параметров последовательности количество функций должно быть константой во время генерации кода. Генерация кода не поддерживает `'Normalization'` заданное использование указателя на функцию.	Да	Да
`softmaxLayer` (Deep Learning Toolbox)	Слой Softmax	Да	Да
`softplusLayer` (Reinforcement Learning Toolbox)	Слой Softplus для агента или сети критика	Да	Да
`spaceToDepthLayer` (Computer Vision Toolbox)	Пробел к слою глубины	Да	Да
`ssdMergeLayer` (Computer Vision Toolbox)	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` (Deep Learning Toolbox)	Гиперболическая касательная (tanh) слой	Да	Да
`transposedConv2dLayer` (Deep Learning Toolbox)	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 поддерживается.	Да	Да
`wordEmbeddingLayer` (Text Analytics Toolbox)	Слой встраивания слова сопоставляет словари с векторами	Да	Да
`yolov2OutputLayer` (Computer Vision Toolbox)	Выведите слой для сети обнаружения объектов YOLO v2	Да	Да
`yolov2ReorgLayer` (Computer Vision Toolbox)	Слой Reorganization для сети обнаружения объектов YOLO v2	Да	Да
`yolov2TransformLayer` (Computer Vision Toolbox)	Преобразуйте слой для сети обнаружения объектов YOLO v2	Да	Да

Поддерживаемые классы

Класс	Описание	ARM вычисляет библиотеку	Intel MKL-DNN
`yolov2ObjectDetector` (Computer Vision Toolbox)	Только `detect` (Computer Vision Toolbox) 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` (Computer Vision Toolbox)	Объект обнаружить объекты с помощью основанного на SSD детектора. Только `detect` (Computer Vision Toolbox) 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 (Computer Vision Toolbox)

Только detect (Computer Vision Toolbox) 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 (Computer Vision Toolbox)

Объект обнаружить объекты с помощью основанного на SSD детектора.

Только detect (Computer Vision Toolbox) 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