Exponenta Banner
exponenta event banner

coder.getDeepLearningLayers

Получите список слоев, поддержанных для генерации кода для определенной библиотеки глубокого обучения

свернуть все на странице

Синтаксис

coder.getDeepLearningLayers
coder.getDeepLearningLayers(TargetLibrary = libraryname)

Описание

coder.getDeepLearningLayers возвращает слои, поддержанные для генерации кода, которые не пользуются никакими сторонними библиотеками.

пример

coder.getDeepLearningLayers(TargetLibrary = libraryname) возвращает слои, поддержанные для генерации кода для определенной библиотеки глубокого обучения.

Примечание

Использовать coder.getDeepLearningLayers, необходимо установить пакет поддержки, который соответствует libraryname:

  • Для 'none', 'arm-compute', и 'mkldnn', установите MATLAB® Coder™ Interface для Библиотек Глубокого обучения.

  • Для 'cudnn', 'tensorrt', или 'arm-compute-mali', установите Интерфейс GPU Coder™ для Библиотек Глубокого обучения.

Примечание

coder.getDeepLearningLayers функция не перечисляет определенные пользовательские слои, если связанные пакеты поддержки не установлены. Например, keras слои не перечислены, если Конвертер Deep Learning Toolbox™ для пакета поддержки Моделей TensorFlow™ не установлен.

Примеры

свернуть все

Получите список слоев, поддержанных для генерации кода для Intel® Math Kernel Library для Глубоких нейронных сетей.

coder.getDeepLearningLayers(TargetLibrary = 'mkldnn')

ans =

  59×1 cell array

    {'AdditionLayer'                               }
    {'AnchorBoxLayer'                              }
    {'AveragePooling2DLayer'                       }
    {'BatchNormalizationLayer'                     }
    {'BiLSTMLayer'                                 }
    {'ClassificationOutputLayer'                   }
    {'ClippedReLULayer'                            }
    {'ConcatenationLayer'                          }
    {'Convolution2DLayer'                          }
    {'Crop2DLayer'                                 }
    {'CrossChannelNormalizationLayer'              }
    {'DepthConcatenationLayer'                     }
    {'DepthToSpace2DLayer'                         }
    {'DicePixelClassificationLayer'                }
    {'DropoutLayer'                                }
    {'ELULayer'                                    }
    {'FeatureInputLayer'                           }
    {'FlattenLayer'                                }
    {'FocalLossLayer'                              }
    {'FullyConnectedLayer'                         }
    {'GRULayer'                                    }
    {'GlobalAveragePooling2DLayer'                 }
    {'GlobalMaxPooling2DLayer'                     }
    {'GroupedConvolution2DLayer'                   }
    {'ImageInputLayer'                             }
    {'LSTMLayer'                                   }
    {'LeakyReLULayer'                              }
    {'MaxPooling2DLayer'                           }
    {'MaxUnpooling2DLayer'                         }
    {'MultiplicationLayer'                         }
    {'PixelClassificationLayer'                    }
    {'RCNNBoxRegressionLayer'                      }
    {'RPNClassificationLayer'                      }
    {'ReLULayer'                                   }
    {'RegressionOutputLayer'                       }
    {'Resize2DLayer'                               }
    {'SSDMergeLayer'                               }
    {'SequenceFoldingLayer'                        }
    {'SequenceInputLayer'                          }
    {'SequenceUnfoldingLayer'                      }
    {'SigmoidLayer'                                }
    {'SoftmaxLayer'                                }
    {'SpaceToDepthLayer'                           }
    {'TanhLayer'                                   }
    {'TransposedConvolution2DLayer'                }
    {'WordEmbeddingLayer'                          }
    {'YOLOv2OutputLayer'                           }
    {'YOLOv2ReorgLayer'                            }
    {'YOLOv2TransformLayer'                        }
    {'nnet.keras.layer.FlattenCStyleLayer'         }
    {'nnet.keras.layer.GlobalAveragePooling2dLayer'}
    {'nnet.keras.layer.SigmoidLayer'               }
    {'nnet.keras.layer.TanhLayer'                  }
    {'nnet.keras.layer.ZeroPadding2dLayer'         }
    {'nnet.onnx.layer.ElementwiseAffineLayer'      }
    {'nnet.onnx.layer.FlattenLayer'                }
    {'nnet.onnx.layer.IdentityLayer'               }
    {'ScalingLayer'                                }
    {'SoftplusLayer'                               }

Входные параметры

свернуть все

Имя библиотеки глубокого обучения в виде одного из значений в этой таблице.

ЗначениеОписание
'arm-compute'

Библиотека ARM® Compute для предназначения для процессоров ARM CPU.

Требует интерфейса MATLAB Coder для библиотек глубокого обучения.

'arm-compute-mali'

ARM Вычисляет Библиотеку для предназначения для процессоров ARM GPU.

Требует продукта GPU Coder и Интерфейса GPU Coder для Библиотек Глубокого обучения.

'cudnn'

Библиотека NVIDIA® CUDA® Deep Neural Network (cuDNN).

Требует продукта GPU Coder и Интерфейса GPU Coder для Библиотек Глубокого обучения.

'mkldnn'

Intel Math Kernel Library для глубоких нейронных сетей.

Требует интерфейса MATLAB Coder для библиотек глубокого обучения.

'none'

coder.getDeepLearningLayers(TargetLibrary = 'none') возвращает слои, поддержанные для генерации кода, которые не пользуются никакими сторонними библиотеками. Это эквивалентно вызову coder.getDeepLearningLayers без входного параметра.

Требует интерфейса MATLAB Coder для библиотек глубокого обучения.

'tensorrt'

Высокопроизводительное глубокое обучение NVIDIA TensorRT™ заключает оптимизатор и библиотеку времени выполнения.

Требует продукта GPU Coder и Интерфейса GPU Coder для Библиотек Глубокого обучения.

Смотрите также

Функции

Темы

Введенный в R2018b

Документация GPU Coder

Поддержка