Документация

Загрузите предварительно подготовленную сеть GoogLeNet. Можно загрузить другую предварительно подготовленную сеть для классификации изображений. Если необходимые пакеты поддержки не установлены, программа предоставляет ссылку для загрузки.

net = googlenet;

Объект net содержит DAGNetwork объект. Используйте analyzeNetwork Функция (Deep Learning Toolbox) используется для отображения интерактивной визуализации сетевой архитектуры, обнаружения ошибок и проблем в сети, а также для отображения подробной информации о сетевых уровнях. Информация о слое включает в себя размеры активизаций слоя и обучаемых параметров, общее количество обучаемых параметров и размеры параметров состояния повторяющихся слоев.

analyzeNetwork(net);

Изображение, которое требуется классифицировать, должно иметь тот же размер, что и входной размер сети. Для GoogLeNet - размер imageInputLayer (Глубоко Изучение Комплекта инструментов), 224 на 224 на 3. Classes свойство выходного документа classificationLayer (Deep Learning Toolbox) содержит имена классов, полученных сетью. Просмотрите 10 случайных имен классов из общего числа 1000.

classNames = net.Layers(end).Classes;
numClasses = numel(classNames);
disp(classNames(randperm(numClasses,10)))

    'speedboat'
    'window screen'
    'isopod'
    'wooden spoon'
    'lipstick'
    'drake'
    'hyena'
    'dumbbell'
    'strawberry'
    'custard apple'

Дополнительные сведения см. в разделе Список слоев глубокого обучения (панель инструментов глубокого обучения).

Запишите в MATLAB функцию точки входа, которая:

Например:

function out = googlenet_predict(in) %#codegen

persistent mynet;

if isempty(mynet)
    mynet = coder.loadDeepLearningNetwork('googlenet');
end

% pass in input   
out = predict(mynet,in); 

Постоянный объект mynet загружает DAGNetwork объект. При первом вызове функции точки входа создается и настраивается постоянный объект. При последующих вызовах функции тот же объект повторно используется для вызова predict на входах, избегая реконструкции и перезагрузки сетевого объекта.

Вы также можете использовать activations Метод (Deep Learning Toolbox) для активации сети для определенного уровня. Например, следующая строка кода возвращает сетевые активации для слоя, указанного в layerIdx.

out = activations(mynet,in,layerIdx,'OutputAs','Channels');

Вы также можете использовать classify Метод (Deep Learning Toolbox) для прогнозирования меток классов для данных изображения в in использование обученной сети, mynet.

[out,scores] = classify(mynet,in);

Для сетей LSTM можно также использовать predictAndUpdateState (инструментарий глубокого обучения) и resetState Методы (Deep Learning Toolbox). Примечания по использованию и ограничения этого метода см. в соответствующей записи в таблице Поддерживаемые функции.

Для настройки таких параметров построения, как имя выходного файла, расположение и тип, создаются объекты конфигурации кодера. Для создания объектов используйте coder.gpuConfig функция. Например, при создании CUDA MEX с помощью codegen команда, использование cfg = coder.gpuConfig('mex');

Другие доступные варианты:

Чтобы задать параметры генерации кода для TensorRT, установите DeepLearningConfig к свойству coder.TensorRTConfig объект, который создается с помощью coder.DeepLearningConfig.

cfg = coder.gpuConfig('mex');
cfg.TargetLang = 'C++';
cfg.DeepLearningConfig = coder.DeepLearningConfig('tensorrt');
cfg.DeepLearningConfig.DataType = 'fp32';

Задайте точность вычислений вывода в поддерживаемых слоях с помощью команды DataType собственность. При выполнении вывода в 32-разрядных поплавках используйте 'fp32'. Для половинной точности используйте 'fp16'. Для 8-разрядного целого числа используйте 'int8'. Значение по умолчанию: 'fp32'. INT8 для точности требуется графический процессор CUDA с минимальной вычислительной способностью 6.1. FP16 для точности требуется графический процессор CUDA с минимальной вычислительной способностью 7.0. Используйте ComputeCapability имущества GpuConfig объект для установки соответствующего значения вычислительной способности.

При выборе 'INT8' параметр TensorRT квантует данные с плавающей запятой в int8. Повторная калибровка выполняется с уменьшенным набором калибровочных данных. Данные калибровки должны присутствовать в местоположении данных изображения, указанном DataPath. Предварительная обработка изображений должна быть выполнена до повторной калибровки, и шаги предварительной обработки должны быть включены в файл точки входа перед созданием кода.

Пример 8-битного целочисленного прогнозирования для сети классификации логотипов с помощью TensorRT см. в разделе Прогнозирование глубокого обучения с использованием NVIDIA TensorRT.

Запустить codegen команда. codegen команда генерирует код CUDA из googlenet_predict.m Функция начальной точки MATLAB.

codegen -config cfg googlenet_predict -args {ones(224,224,3)} -report

После успешного создания кода можно просмотреть полученный отчет о создании кода, щелкнув Просмотр отчета в окне команд MATLAB. Отчет отображается в окне Просмотр отчетов. Если генератор кода обнаруживает ошибки или предупреждения во время генерации кода, отчет описывает проблемы и предоставляет ссылки на проблемный код MATLAB. См. раздел Отчеты по созданию кода.

Code generation successful: View report

Установите Build type кому MEX.

Щелкните Дополнительные параметры. На панели «Глубокое обучение» установите для параметра «Целевая библиотека» значение TensorRT.

Закройте окно настроек. Для создания кода CUDA нажмите кнопку «Создать».

Изображение, которое требуется классифицировать, должно иметь тот же размер, что и входной размер сети. Прочитайте изображение, которое требуется классифицировать, и измените его размер до входного размера сети. Это изменение размера немного изменяет пропорции изображения.

im = imread("peppers.png");
inputLayerSize = net.Layers(1).InputSize;
im = imresize(im,inputLayerSize(1:2));

Вызовите функцию прогнозирования GoogLeNet на входном изображении.

predict_scores = googlenet_predict_mex(im);

Отображение пяти лучших прогнозируемых меток и связанных с ними вероятностей в виде гистограммы. Поскольку в сети изображения классифицируются по множеству категорий объектов, а многие категории схожи, при оценке сетей обычно учитывается пять основных показателей точности. Сеть классифицирует изображение как колокольный перец с высокой вероятностью.

[scores,indx] = sort(predict_scores, 'descend');
classNamesTop = classNames(indx(1:5));

h = figure;
h.Position(3) = 2*h.Position(3);
ax1 = subplot(1,2,1);
ax2 = subplot(1,2,2);

image(ax1,im);
barh(ax2,scores(5:-1:1))
xlabel(ax2,'Probability')
yticklabels(ax2,classNamesTop(5:-1:1))
ax2.YAxisLocation = 'right';
sgtitle('Top 5 predictions using GoogLeNet')