Exponenta Banner
exponenta event banner

активации

Класс: dlhdl. Технологический процесс
Пакет: dlhdl

Получение результатов промежуточного уровня для развернутой сети глубокого обучения

развернуть все на странице

Синтаксис

активации (изображение, имя слоя)
активации (изображение, имя слоя, имя, значение)

Описание

пример

activations(image,layername) возвращает результаты активации промежуточного слоя для данных изображения в imInи имя слоя, указанное в layername. Размер результата зависит от выходного размера слоя. Размер выходных данных слоя можно получить с помощью analyzeNetwork.

activations(image,layername, Name,Value)возвращает результаты активации промежуточного слоя для данных изображения в imInи имя слоя, указанное в layername, с дополнительными опциями, указанными одним или несколькими Name,Value аргументы пары. Размер результата зависит от выходного размера слоя. Размер выходных данных слоя можно получить с помощью analyzeNetwork.

Входные аргументы

развернуть все

Входное изображение, указанное как числовой массив m-by-n-by-3. m и n должны соответствовать размерам уровня входного изображения сети глубокого обучения. Например, для сети LogoNet, измените размеры входных изображений ко множеству 227 на 227 на 3.

Типы данных: single

Имя слоя в развернутой сети глубокого обучения, результаты которого извлекаются для образа, указанного в imIn.

Слой должен иметь тип Convolution, Fully Connected, Max Pooling, ReLU, или Dropout. Convolution и Fully Connected слои разрешены, если за ними не следует ReLU слой.

Пример: 'maxpool _ 3'

Аргументы пары «имя-значение»

Укажите дополнительные пары, разделенные запятыми Name,Value аргументы. Name является именем аргумента и Value - соответствующее значение. Name должен отображаться внутри кавычек. Можно указать несколько аргументов пары имен и значений в любом порядке как Name1,Value1,...,NameN,ValueN.

Флажок для возврата результатов профилирования для сети глубокого обучения, развернутой на целевой плате.

Пример: 'Profiler','on'

Примеры

развернуть все

  1. Создание файла в текущей рабочей папке с именем getLogoNetwork.m. Введите в файл следующие строки:

    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

  2. Создать dlhdl.Workflow объект, имеющий LogoNet в качестве сетевого аргумента, zcu102_single в качестве аргумента битового потока и hT в качестве целевого аргумента.

    snet = getLogoNetwork;
hT = dlhdl.Target('Xilinx');
hW = dlhdl.Workflow('Network',snet,'Bitstream','zcu102_single','target',hT);

  3. Получение рандомизированного изображения из logos_dataset набор данных.

    curDir = pwd;
newDir = fullfile(matlabroot,'examples','deeplearning_shared','data','logos_dataset.zip');
copyfile(newDir,curDir);
unzip('logos_dataset.zip');
imds = imageDatastore('logos_dataset', ...
    'IncludeSubfolders',true, ...
    'LabelSource','foldernames');
[imdsTrain,imdsValidation] = splitEachLabel(imds,0.7,'randomized');
index = randperm(numel(imdsValidation.Files),1)
imIn = readimage(imdsValidation,index)
inputImg = imresize(imIn, [227 227]);

  4. Получение результатов слоя для maxpool_3 с помощью activations функция.

    imIn = single(inputImg);
results = hW.activations(imIn,'maxpool_3','Profiler','on');

    Результат выполнения кода - матрица 25 на 25 на 384 для results.

                  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: 220MHz

См. также

| | |

Представлен в R2020b

Документация по инструментам глубокого обучения HDL

Поддержка