Создание функции точки входа resnet_predict который использует coder.loadDeepLearningNetwork для загрузки resnet50 (инструментарий для глубокого обучения) SeriesNetwork объект.

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

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

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