Получение MAT-файла, содержащего предварительно подготовленный файл VGG-16 сеть.

url = 'https://www.mathworks.com/supportfiles/gpucoder/cnn_models/VGG/vgg16.mat';
websave('vgg16.mat',url);

Создание функции точки входа myVGG16 который использует coder.loadDeepLearningNetwork для загрузки vgg16.mat в постоянный mynet SeriesNetwork объект.

function out = myVGG16(in)

persistent mynet;
if isempty(mynet)
    mynet = coder.loadDeepLearningNetwork('vgg16.mat', 'myVGGnet');
end

out = predict(mynet,in);

Постоянный объект избегает реконструкции и перезагрузки сетевого объекта во время последующих вызовов функции для вызова predict метод на входе.

Входной уровень предварительно обученного VGG-16 сеть принимает изображения размера 224x224x3. Используйте следующие строки кода для чтения входного изображения из графического файла и изменения его размера 224x224.

in = imread('peppers.png');
in = imresize(in,[224,224]);

Создать coder.config объект конфигурации для генерации кода MEX и установки целевого языка на C++. В объекте конфигурации установите DeepLearningConfig с targetlib как 'mkldnn'. codegen функция должна определять размер, класс и сложность входов функции MATLAB. Используйте -args для указания размера входных данных функции точки входа. Используйте -config для передачи объекта конфигурации кода.

cfg = coder.config('mex');
cfg.TargetLang = 'C++';
cfg.DeepLearningConfig = coder.DeepLearningConfig('mkldnn'); 
codegen -args {ones(224,224,3,'uint8')} -config cfg myVGG16 -report;

codegen помещает все сгенерированные файлы в codegen папка. Папка содержит код C++ для функции точки входа myVGG16.cpp, заголовочные и исходные файлы, содержащие определения класса C++ для свернутых нейронных сетей (CNN), файлов веса и смещения.

Звонить VGG-16 спрогнозировать на входном изображении и отобразить первые пять прогнозируемых меток.

predict_scores = myVGG16_mex(in);
[scores,indx] = sort(predict_scores, 'descend');
net = coder.loadDeepLearningNetwork('vgg16.mat');
classNames = net.Layers(end).Classes;
disp(classNames(indx(1:5)));

     bell pepper 
     cucumber 
     grocery store 
     acorn squash 
     butternut squash 

Создание функции точки входа resnetFun который использует coder.loadDeepLearningNetwork для вызова функции панели инструментов Deep Learning Toolbox™ resnet50. Эта функция возвращает предварительно подготовленный ResNet-50 сеть.

function out = resnetFun(in)

persistent mynet;
if isempty(mynet)
    mynet = coder.loadDeepLearningNetwork('resnet50', 'myresnet');
end

out = predict(mynet,in);

Постоянный объект избегает реконструкции и перезагрузки сетевого объекта во время последующих вызовов функции для вызова predict метод на входе.

Входной уровень предварительно обученного ResNet-50 сеть принимает изображения размера 224x224x3. Чтение входного изображения из графического файла и изменение его размеров 224x224, используйте следующие строки кода:

in = imread('peppers.png');
in = imresize(in,[224,224]);

Создать coder.gpuConfig объект конфигурации для генерации кода MEX и установки целевого языка на C++. codegen функция должна определять размер, класс и сложность входов функции MATLAB. Используйте -args для указания размера входных данных функции точки входа и -config для передачи объекта конфигурации кода.

cfg = coder.gpuConfig('mex');
cfg.TargetLang = 'C++';
cfg.DeepLearningConfig = coder.DeepLearningConfig('cudnn'); 
codegen -args {ones(224,224,3,'uint8')} -config cfg resnetFun -report;

codegen помещает все сгенерированные файлы в codegen папка. Содержит код CUDA для функции точки входа resnetFun.cu, заголовки и исходные файлы, содержащие определения класса C++ для свернутых нейронных сетей (CNN), веса и файлов смещения.