Exponenta Banner

coder.getDeepLearningLayers

Получение списка слоев, поддерживаемых для создания кода для конкретной библиотеки глубокого обучения

свернуть все на странице

Синтаксис

coder.getDeepLearningLayers
coder.getDeepLearningLayers (TargetLibrary = имя библиотеки)

Описание

coder.getDeepLearningLayers возвращает слои, поддерживаемые для создания кода, которые не используют библиотеки сторонних производителей.

пример

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

Примечание

Использовать coder.getDeepLearningLayers, необходимо установить пакет поддержки, соответствующий libraryname:

  • Для 'none', 'arm-compute', и 'mkldnn', установите интерфейс MATLAB ® Coder™ для библиотек глубокого обучения.

  • Для 'cudnn', 'tensorrt', или 'arm-compute-mali', установите интерфейс GPU Coder™ для библиотек глубокого обучения.

Примечание

coder.getDeepLearningLayers не перечисляет определенные пользовательские слои, если связанные пакеты поддержки не установлены. Например, keras слои не перечисляются, если пакет поддержки Deep Learning Toolbox™ Converter for TensorFlow™ Models не установлен.

Примеры

свернуть все

Получите список слоев, поддерживаемых для создания кода библиотеки 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 аргументы

свернуть все

Имя библиотеки глубокого обучения, указанное как одно из значений в этой таблице.

СтоимостьОписание
'arm-compute'

Вычислительная библиотека ARM ® для целевых процессоров процессора ARM.

Требуется интерфейс кодера MATLAB для библиотек глубокого обучения.

'arm-compute-mali'

Вычислительная библиотека ARM для нацеливания на процессоры ARM GPU.

Требуется продукт GPU Coder и интерфейс GPU Coder Interface для библиотек глубокого обучения.

'cudnn'

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

Требуется продукт GPU Coder и интерфейс GPU Coder Interface для библиотек глубокого обучения.

'mkldnn'

Библиотека Intel Math Kernel Library для глубоких нейронных сетей.

Требуется интерфейс кодера MATLAB для библиотек глубокого обучения.

'none'

coder.getDeepLearningLayers(TargetLibrary = 'none') возвращает слои, поддерживаемые для создания кода, которые не используют библиотеки сторонних производителей. Это эквивалентно вызову coder.getDeepLearningLayers без входного аргумента.

Требуется интерфейс кодера MATLAB для библиотек глубокого обучения.

'tensorrt'

NVIDIA TensorRT™ высокопроизводительный оптимизатор выводов глубокого обучения и библиотеку времени выполнения.

Требуется продукт GPU Coder и интерфейс GPU Coder Interface для библиотек глубокого обучения.

См. также

Функции

Темы

Представлен в R2018b

Документация по кодеру MATLAB

Поддержка