Класс: dlhdl.Workflow
Пакет: dlhdl
Получите промежуточные результаты слоя для развернутой нейронной сети для глубокого обучения
activations( возвращает промежуточные результаты данных об активации слоя для данных изображения в imIn,layername)imIn, и имя слоя задано в layername. Размер результата зависит от выходного размера слоя. Выходной размер слоя может быть получен при помощи analyzeNetwork.
activations(возвращает промежуточные результаты данных об активации слоя для данных изображения в imIn,layername, Name,Value)imIn, и имя слоя задано в layername, с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы. Размер результата зависит от выходного размера слоя. Выходной размер слоя может быть получен при помощи analyzeNetwork.
Получите результаты активации LogoNet
maxpool_3 слой для данного входного изображения.
Создайте файл в своей текущей рабочей директории под названием getLogoNetwork.m. Введите эти линии в файл:
function net = getLogoNetwork() data = getLogoData(); net = data.convnet; end function data = getLogoData() if ~isfile('LogoNet.mat') url = 'https://www.mathworks.com/supportfiles/gpucoder/cnn_models/logo_detection/LogoNet.mat'; websave('LogoNet.mat',url); end data = load('LogoNet.mat'); end
snet = getLogoNetwork(); hT = dlhdl.Target('Xilinx'); hW = dlhdl.Workflow('Network','snet','Bitstream','zcu102_single','target',hT); image = imread('heineken.png'); inputImg = imresize(image, [227, 227]); imIn = single(inputImg); results = hW.activations(imIn,'maxpool_3','Profiler','on');
Результатом выполнения кода являются 25 25 384 матрицами для results и
Deep Learning Processor Profiler Performance Results
LastLayerLatency(cycles) LastLayerLatency(seconds) FramesNum Total Latency Frames/s
------------- ------------- --------- --------- ---------
Network 32497812 0.14772 1 32497822 6.8
conv_module 32497812 0.14772
conv_1 6953894 0.03161
maxpool_1 3305128 0.01502
conv_2 10397281 0.04726
maxpool_2 1207938 0.00549
conv_3 9267269 0.04212
maxpool_3 1366383 0.00621
* The clock frequency of the DL processor is: 220MHzimIn — Введите измененное изображение к нейронной сети для глубокого обучения Введите изображение, измененное, чтобы совпадать с входным размером изображения слоя изображения нейронной сети для глубокого обучения.
Пример: Чтобы считать входное изображение, измените размер его к 227x227, и преобразуйте его в одно использование:
Используйте это изображение, чтобы запустить код:
image = imread('heineken.png');
inputImg = imresize(image, [227, 227]);
imIn = single(inputImg);Пример: imIn
layername — Имя слоя в развернутой нейронной сети для глубокого обученияИмя слоя в развернутой нейронной сети для глубокого обучения, результаты которой получены для изображения, заданного в imIn.
Слой должен иметь тип Convolution, Fully Connected, Max Pooling, ReLU, или DropoutСвертка и Fully Connected слои позволены, пока они не сопровождаются ReLU слой.
Пример: 'maxpool_3'
Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и Value соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.