Exponenta Banner

activations

Класс: dlhdl. Рабочий процесс
Пакет: dlhdl

Получение промежуточных результатов слоя для развернутых нейронных сетей для глубокого обучения

развернуть все на странице

Синтаксис

activations(image,layername)
activations(image,layername, Name,Value)

Описание

пример

activations(image,layername) возвращает результаты данных активации промежуточного слоя для данных изображения в imIn, и имя слоя, заданное в layername. Размер результата зависит от выходного размера слоя. Размер выходного слоя может быть получен при помощи analyzeNetwork.

activations(image,layername, Name,Value)возвращает результаты данных активации промежуточного слоя для данных изображения в imIn, и имя слоя, заданное в layername, с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар. Размер результата зависит от выходного размера слоя. Размер выходного слоя может быть получен при помощи analyzeNetwork.

Входные параметры

расширить все

Входное изображение, заданное как m -by- n -by-3 числовой массив. m и n должны совпадать с размерностями входа изображения нейронной сети для глубокого обучения. Для примера в сети LogoNet измените размер входа изображений на массив 227 227 3.

Типы данных: single

Имя слоя в развёрнутой нейронной сети для глубокого обучения, результаты которого извлекаются для изображения, указанного в imIn.

Слой должен иметь тип Convolution, Fully Connected, Max Pooling, ReLU, или Dropout. Convolution и Fully Connected слои разрешены, пока они не сопровождаются ReLU слой.

Пример: 'maxpool _ 3'

Аргументы в виде пар имя-значение

Задайте необязательные разделенные разделенными запятой парами Name,Value аргументы. Name - имя аргумента и Value - соответствующее значение. Name должны находиться внутри кавычек. Можно задать несколько аргументов в виде пар имен и значений в любом порядке Name1,Value1,...,NameN,ValueN.

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

Пример: 'Profiler','on'

Примеры

расширить все

  1. Создайте файл в текущей рабочей папке с именем getLogoNetwork.m. Введите эти линии в файл:

    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. Создайте dlhdl.Workflow объект, который имеет LogoNet в качестве сетевого аргумента, zcu102_single как аргумент в виде 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. Извлечение 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. Извлечение результатов слоя для maxpool_3 слой при помощи 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

| | |

Введенный в R2020b

Deep Learning HDL Toolbox документация

Поддержка