Класс: dlhdl.Workflow
Пакет: dlhdl
Запустите вывод в развернутой сети и профилируйте скорость нейронной сети, развернутой на заданном целевом устройстве
predict( предсказывает ответы для данных изображения в imds)imds при помощи нейронной сети для глубокого обучения, которую вы задали в dlhdl.Workflow класс для развертывания на заданной требуемой плате и возвращает результаты.
predict( предсказывает ответы для данных изображения в imds, Name,Value)imds при помощи нейронной сети для глубокого обучения, которую вы задали при помощи dlhdl.Workflow класс для развертывания на заданных требуемых платах и возвращает результаты с одним или несколькими аргументами, заданными дополнительными аргументами пары "имя-значение".
Примечание
Прежде чем вы запуститесь predict функционируйте, убедитесь, что ваш хост - компьютер соединяется с платой целевого устройства. Для получения дополнительной информации смотрите, Конфигурируют специфичную для Совета информацию о Setup.
Используйте это изображение, чтобы запустить код:
% Save the pretrained SeriesNetwork object snet = vgg19; % Create a Target object and define the interface to the target board hTarget = dlhdl.Target('Intel'); % Create a workflow object for the SeriesNetwork and using the FPFA bitstream hW = dlhdl.Workflow('Network', snet, 'Bitstream', 'arria10soc_single','Target',hTarget); % Load input images and resize them according to the network specifications image = imread('zebra.jpeg'); inputImg = imresize(image, [224, 224]); imshow(inputImg); imIn = single(inputImg); % Deploy the workflow object hW.deploy; % Predict the outcome and optionally profile the results to measure performance. [prediction, speed] = hW.predict(imIn,'Profile','on'); [val, idx] = max(prediction); snet.Layers(end).ClassNames{idx}
### Finished writing input activations.
### Running single input activations.
Deep Learning Processor Profiler Performance Results
LastLayerLatency(cycles) LastLayerLatency(seconds) FramesNum Total Latency Frames/s
------------- ------------- --------- --------- ---------
Network 166206640 1.10804 1 166206873 0.9
conv_module 156100737 1.04067
conv1_1 2174602 0.01450
conv1_2 15580687 0.10387
pool1 1976185 0.01317
conv2_1 7534356 0.05023
conv2_2 14623885 0.09749
pool2 1171628 0.00781
conv3_1 7540868 0.05027
conv3_2 14093791 0.09396
conv3_3 14093717 0.09396
conv3_4 14094381 0.09396
pool3 766669 0.00511
conv4_1 6999620 0.04666
conv4_2 13725380 0.09150
conv4_3 13724671 0.09150
conv4_4 13725125 0.09150
pool4 465360 0.00310
conv5_1 3424060 0.02283
conv5_2 3423759 0.02283
conv5_3 3424758 0.02283
conv5_4 3424461 0.02283
pool5 113010 0.00075
fc_module 10105903 0.06737
fc6 8397997 0.05599
fc7 1370215 0.00913
fc8 337689 0.00225
* The clock frequency of the DL processor is: 150MHz
ans =
'zebra'
Примечание
Прежде чем вы запуститесь predict функционируйте, убедитесь, что ваш хост - компьютер соединяется с платой целевого устройства. Для получения дополнительной информации смотрите, Конфигурируют специфичную для Совета информацию о Setup.
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
Используйте это изображение, чтобы запустить код:
Чтобы квантовать сеть, вам нужны продукты, перечисленные под FPGA в необходимых условиях рабочего процесса квантования.
% Save the pretrained SeriesNetwork object snet = getLogoNetwork(); % Create a Target object and define the interface to the target board hTarget = dlhdl.Target('Xilinx','Interface','Ethernet'); % Create a Quantized Network Object dlquantObj = dlquantizer(snet,'ExecutionEnvironment','FPGA'); Image = imageDatastore('heineken.png','Labels','Heineken'); dlquantObj.calibrate(Image); % Create a workflow object for the SeriesNetwork and using the FPFA bitstream hW = dlhdl.Workflow('Network', dlquantObj, 'Bitstream', 'zcu102_int8','Target',hTarget); % Load input images and resize them according to the network specifications image = imread('heineken.png'); inputImg = imresize(image, [227, 227]); imshow(inputImg); imIn = single(inputImg); % Deploy the workflow object hW.deploy; % Predict the outcome and optionally profile the results to measure performance. [prediction, speed] = hW.predict(imIn,'Profile','on'); [val, idx] = max(prediction); snet.Layers(end).ClassNames{idx}
### Loading weights to FC Processor.
### FC Weights loaded. Current time is 12-Jun-2020 16:55:34
### FPGA bitstream programming has been skipped as the same bitstream is already loaded on the target FPGA.
### Deep learning network programming has been skipped as the same network is already loaded on the target FPGA.
### Finished writing input activations.
### Running single input activations.
Deep Learning Processor Profiler Performance Results
LastLayerLatency(cycles) LastLayerLatency(seconds) FramesNum Total Latency Frames/s
------------- ------------- --------- --------- ---------
Network 13604105 0.04535 1 13604146 22.1
conv_module 12033763 0.04011
conv_1 3339984 0.01113
maxpool_1 1490805 0.00497
conv_2 2866483 0.00955
maxpool_2 574102 0.00191
conv_3 2432474 0.00811
maxpool_3 700552 0.00234
conv_4 617505 0.00206
maxpool_4 11951 0.00004
fc_module 1570342 0.00523
fc_1 937715 0.00313
fc_2 599341 0.00200
fc_3 33284 0.00011
* The clock frequency of the DL processor is: 300MHzimds — Введите измененное изображение к нейронной сети для глубокого обученияВведите изображение, измененное, чтобы совпадать с входным размером слоя изображений 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
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.
calibrate | compile | deploy | dlquantizationOptions | dlquantizer | estimate | validate