Документация

Загрузите предварительно обученную сеть GoogLeNet. Можно выбрать загрузку другой предварительно обученной сети для классификации изображений. Если у вас нет необходимых пакетов поддержки, установите программное обеспечение в соответствии с предоставленными инструкциями.

net = googlenet;

Объект net содержит DAGNetwork объект. Используйте analyzeNetwork функция для отображения интерактивной визуализации сетевой архитектуры, для обнаружения ошибок и проблем в сети и для отображения подробной информации о слоях сети. Информация о слое включает размеры активации слоя и настраиваемые параметры, общее количество настраиваемых параметров и размеры параметров состояния рекуррентных слоев.

analyzeNetwork(net);

Изображение, которое вы хотите классифицировать, должно иметь тот же размер, что и вход сигнала сети. Для GoogLeNet, размер imageInputLayer 224 на 224 на 3. The Classes свойство выхода classificationLayer содержит имена классов, выученных сетью. Просмотрите 10 случайных имен классов из 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'

Создайте модель Simulink и вставьте блок MATLAB Function из библиотеки User-Defined Functions.

Добавьте блок Image From File из библиотеки Computer Vision Toolbox™ и установите File name параметр в peppers.png.

Добавьте блок Resize из библиотеки Computer Vision Toolbox в модель. Установите параметр Specify блока Resize равным Number of output rows and columns и вводите [224 224] как значение для Number of output rows and columns. Этот блок изменяет размер входа изображения на размер входа слоя сети.

Дважды кликните MATLAB Function блок. Сигнатура функции по умолчанию появится в редакторе блоков MATLAB Function.

Задайте функцию, называемую googlenet_predict, который реализует функцию точки входа предсказания. Заголовок функции объявляет in как аргумент к googlenet_predict функция, с scores и indxTop как возврат значение.

function [scores,indxTop] = googlenet_predict(in) %#codegen

persistent mynet;

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

% pass in input   
predict_scores = predict(mynet,in);
[scores,indx] = sort(predict_scores, 'descend');
indxTop = indx(1:5);

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 восстановления и перезагрузки объекта сети.

Вы также можете использовать activations (Deep Learning Toolbox) метод для активации сети для определенного слоя. Для примера следующая строка кода возвращает активацию сети для слоя, указанной в layerIdx.

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

Вы также можете использовать classify (Deep Learning Toolbox) метод для предсказания меток классов для данных в in использование обученной сетевой mynet.

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

Для сетей LSTM можно использовать predictAndUpdateState (Deep Learning Toolbox) и resetState (Deep Learning Toolbox) методы. Примечания по указаниям по применению и ограничения этого метода смотрите в Поддерживаемые функции.

Откройте параметры блоков MATLAB Function. На вкладке Code Generation выберите Reusable function для Function packaging.

Соедините эти блоки как показано на схеме. Сохраните модель как googlenetModel.

Откройте диалоговое окно Параметры конфигурации. Откройте панель Solver. Чтобы скомпилировать модель для ускорения и сгенерировать код CUDA, сконфигурируйте модель, чтобы использовать решатель с фиксированным шагом. В этой таблице показано строение решателя для этого примера.

Выберите панель Simulation Target. Установите Language равным C++.

Выберите GPU acceleration.

опции, относящиеся к GPU Coder, теперь видны на панели Simulation Target > GPU Acceleration. В данном примере можно использовать значения по умолчанию для этих специфичных для графического процессора параметров.

На панели Simulation Target установите параметр Target Library в группе Deep learning равным cuDNN.

Можно также выбрать TensorRT для целевых библиотек вывода эффективности TensorRT для графических процессоров NVIDIA.

Нажмите кнопку OK, чтобы сохранить и закрыть диалоговое окно Параметров конфигурации.

Вы можете использовать set_param программно сконфигурировать параметр модели в MATLAB^® Командное окно.

set_param('googlenetModel','GPUAcceleration','on');

Чтобы создать и симулировать модель ускорения графического процессора, выберите Run на вкладке Simulation или используйте команду MATLAB:

out = sim('googlenetModel');

Сначала программное обеспечение проверяет, был ли код CUDA/C + + ранее скомпилирован для вашей модели. Если код был создан ранее, программное обеспечение запускает модель. Если код ранее не был построен, программное обеспечение сначала генерирует и компилирует код CUDA/C + +, а затем запускает модель. Инструмент генерации кода помещает сгенерированный код в подпапку рабочей папки под названием slprj/_slprj/googlenetModel.

Отобразите пять лучших предсказанных меток и связанные с ними вероятности в качестве гистограммы. Поскольку сеть классифицирует изображения в так много категорий объектов, и многие категории аналогичны, обычно при оценке сетей учитывается точность в пять лучших. Сеть классифицирует изображение как болгарский перец с высокой вероятностью.

im = imread('peppers.png');
classNamesTop = classNames(out.yout{2}.Values.Data(:,:,1))

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

image(ax1,im);
barh(ax2,out.yout{1}.Values.Data(1,5:-1:1,1))
xlabel(ax2,'Probability')
yticklabels(ax2,classNamesTop(5:-1:1))
ax2.YAxisLocation = 'right';
sgtitle('Top 5 predictions using GoogLeNet')

Выберите панель Code Generation. Установите System target file равным grt.tlc.

Можно также использовать Embedded Coder^® целевой файл, ert.tlc.

Установите Language равным C++.

Выберите Generate GPU code.

Выберите Generate code only.

Выберите Toolchain. Для Linux^® платформы, выберите NVIDIA CUDA | gmake (64-bit Linux). Для Windows^® системы, выберите NVIDIA CUDA (w/Microsoft Visual C++ 20XX) | nmake (64-bit windows).

На панели Code Generation > Report выберите Create code generation report и Open report automatically.

На панели Code Generation > Interface установите значение Target Library в группе Deep learning cuDNN.

Можно также выбрать TensorRT для целевых библиотек вывода эффективности TensorRT для графических процессоров NVIDIA.

Когда параметр Generate GPU code включен, опции, характерные для GPU Coder, видны на панели Code Generation > GPU Code. В данном примере можно использовать значения по умолчанию параметров конкретного графического процессора на Code Generation > GPU Code панели.

Нажмите кнопку OK, чтобы сохранить и закрыть диалоговое окно Параметров конфигурации.

Вы также можете использовать set_param функция для программной настройки параметра модели в Командном окне MATLAB.

set_param('googlenetModel','GenerateGPUCode','CUDA');

В Редактор откройте приложение Simulink Coder.

Сгенерируйте код.