Создайте функцию точки входа resnet_predict который использует coder.loadDeepLearningNetwork функцию для загрузки resnet50 (Deep Learning Toolbox) 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 восстановления и перезагрузки сетевого объекта во время последующих вызовов функции, чтобы вызвать predict метод на входе.

Слой входа предварительно обученного ResNet-50 сеть принимает изображения размера 224x224x3. Чтобы считать вход изображение из графического файла и изменить его размер на 224x224, используйте следующие строки кода:

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

Создайте coder.config объект строения для генерации кода MEX и установите целевой язык на C++. На объекте строения задайте DeepLearningConfig с targetlib как 'mkldnn'. Используйте -config опция codegen функция для передачи этого объекта строения кода. codegen функция должна определять размер, класс и сложность MATLAB^® входные параметры функции. Используйте -args опция для задания размера входного параметра 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;

The codegen команда помещает все сгенерированные файлы в codegen папка. Он содержит код С++ для функции точки входа resnet_predict.cpp, заголовок и исходные файлы, содержащие определения классов C++ для свернутых файлов нейронной сети (CNN), веса и смещения.