coder.getDeepLearningLayers

Получите список слоев, поддерживаемых для генерации кода для определенной библиотеки глубокого обучения

Свернуть все на странице

Синтаксис

coder.getDeepLearningLayers
coder.getDeepLearningLayers(TargetLibrary = libraryname)

Описание

coder.getDeepLearningLayers возвращает слои, поддерживаемые для генерации кода, которые не используют сторонние библиотеки.

пример

coder.getDeepLearningLayers(TargetLibrary = libraryname) возвращает слои, поддерживаемые для генерации кода для определенной библиотеки глубокого обучения.

Примечание

Использовать coder.getDeepLearningLayersнеобходимо установить пакет поддержки, соответствующий libraryname:

  • Для 'none', 'arm-compute', и 'mkldnn', установите MATLAB® Coder™ интерфейс для библиотек глубокого обучения.

  • Для 'cudnn', 'tensorrt', или 'arm-compute-mali', установите GPU Coder™ Interface для библиотек глубокого обучения.

Примечание

coder.getDeepLearningLayers функция не выводит список определенных пользовательских слоев, если связанные пакеты поддержки не установлены. Для примера, keras слои не указаны, если не установлен пакет поддержки Deep Learning Toolbox™ Converter for TensorFlow™ Models.

Примеры

свернуть все

Получите список слоев, поддерживаемых для генерации кода Intel® Math Kernel Library для глубоких нейронных сетей.

coder.getDeepLearningLayers(TargetLibrary = 'mkldnn')

ans =

  59×1 cell array

    {'AdditionLayer'                               }
    {'AnchorBoxLayer'                              }
    {'AveragePooling2DLayer'                       }
    {'BatchNormalizationLayer'                     }
    {'BiLSTMLayer'                                 }
    {'ClassificationOutputLayer'                   }
    {'ClippedReLULayer'                            }
    {'ConcatenationLayer'                          }
    {'Convolution2DLayer'                          }
    {'Crop2DLayer'                                 }
    {'CrossChannelNormalizationLayer'              }
    {'DepthConcatenationLayer'                     }
    {'DepthToSpace2DLayer'                         }
    {'DicePixelClassificationLayer'                }
    {'DropoutLayer'                                }
    {'ELULayer'                                    }
    {'FeatureInputLayer'                           }
    {'FlattenLayer'                                }
    {'FocalLossLayer'                              }
    {'FullyConnectedLayer'                         }
    {'GRULayer'                                    }
    {'GlobalAveragePooling2DLayer'                 }
    {'GlobalMaxPooling2DLayer'                     }
    {'GroupedConvolution2DLayer'                   }
    {'ImageInputLayer'                             }
    {'LSTMLayer'                                   }
    {'LeakyReLULayer'                              }
    {'MaxPooling2DLayer'                           }
    {'MaxUnpooling2DLayer'                         }
    {'MultiplicationLayer'                         }
    {'PixelClassificationLayer'                    }
    {'RCNNBoxRegressionLayer'                      }
    {'RPNClassificationLayer'                      }
    {'ReLULayer'                                   }
    {'RegressionOutputLayer'                       }
    {'Resize2DLayer'                               }
    {'SSDMergeLayer'                               }
    {'SequenceFoldingLayer'                        }
    {'SequenceInputLayer'                          }
    {'SequenceUnfoldingLayer'                      }
    {'SigmoidLayer'                                }
    {'SoftmaxLayer'                                }
    {'SpaceToDepthLayer'                           }
    {'TanhLayer'                                   }
    {'TransposedConvolution2DLayer'                }
    {'WordEmbeddingLayer'                          }
    {'YOLOv2OutputLayer'                           }
    {'YOLOv2ReorgLayer'                            }
    {'YOLOv2TransformLayer'                        }
    {'nnet.keras.layer.FlattenCStyleLayer'         }
    {'nnet.keras.layer.GlobalAveragePooling2dLayer'}
    {'nnet.keras.layer.SigmoidLayer'               }
    {'nnet.keras.layer.TanhLayer'                  }
    {'nnet.keras.layer.ZeroPadding2dLayer'         }
    {'nnet.onnx.layer.ElementwiseAffineLayer'      }
    {'nnet.onnx.layer.FlattenLayer'                }
    {'nnet.onnx.layer.IdentityLayer'               }
    {'ScalingLayer'                                }
    {'SoftplusLayer'                               }

Входные параметры

свернуть все

Имя библиотеки глубокого обучения, заданное как одно из значений в этой таблице.

ЗначениеОписание
'arm-compute'

РУКА® Вычислительная библиотека для целевых процессоров ARM CPU.

Требуется интерфейс MATLAB Coder для библиотек глубокого обучения.

'arm-compute-mali'

ARM Compute Library для нацеливания на процессоры ARM GPU.

Требуется продукт GPU Coder и интерфейс GPU Coder для библиотек глубокого обучения.

'cudnn'

NVIDIA® CUDA® Библиотека Глубоких Нейронных Сетей (cuDNN).

Требуется продукт GPU Coder и интерфейс GPU Coder для библиотек глубокого обучения.

'mkldnn'

Intel Math Kernel Library для глубоких нейронных сетей.

Требуется интерфейс MATLAB Coder для библиотек глубокого обучения.

'none'

coder.getDeepLearningLayers(TargetLibrary = 'none') возвращает слои, поддерживаемые для генерации кода, которые не используют сторонние библиотеки. Это эквивалентно вызову coder.getDeepLearningLayers без входного параметра.

Требуется интерфейс MATLAB Coder для библиотек глубокого обучения.

'tensorrt'

NVIDIA TensorRT™ оптимизатор вывода эффективности глубокого обучения и библиотеку во время выполнения.

Требуется продукт GPU Coder и интерфейс GPU Coder для библиотек глубокого обучения.

См. также

Функции

Темы

Введенный в R2018b

Документация по GPU Coder

Поддержка

Для просмотра документации необходимо авторизоваться на сайте