Загрузка предварительно обученных сетей для генерации кода

Можно сгенерировать код для предварительно обученной сверточной нейронной сети (CNN). Чтобы предоставить сеть генератору кода, загрузите SeriesNetwork (Deep Learning Toolbox), DAGNetwork (Deep Learning Toolbox), yolov2ObjectDetector (Computer Vision Toolbox), ssdObjectDetector (Computer Vision Toolbox), или dlnetwork (Deep Learning Toolbox) объект из обученной сети.

Загрузка сети при помощи coder.loadDeepLearningNetwork

Можно загрузить сетевой объект из любой сети, которая поддерживается для генерации кода при помощи coder.loadDeepLearningNetwork. Можно задать сеть из MAT-файла. MAT-файл должен содержать только загружаемую сеть.

Например, предположим, что вы создаете обученный сетевой объект под названием myNet при помощи trainNetwork (Deep Learning Toolbox) функция. Затем вы сохраняете рабочую область, вводя save. Это создает файл с именем matlab.mat который содержит сетевой объект. Чтобы загрузить сетевой объект myNet, введите:

net = coder.loadDeepLearningNetwork('matlab.mat');

Можно также задать сеть, задав имя функции, которая возвращает предварительно обученную SeriesNetwork, DAGNetwork, yolov2ObjectDetector, или ssdObjectDetector объект, такой как:

Для примера загрузите сетевой объект путем ввода:

net = coder.loadDeepLearningNetwork('googlenet');

Функции Deep Learning Toolbox™ в предыдущем списке требуют, чтобы вы установили пакет поддержки для функции. См. «Предварительно обученные глубокие нейронные сети» (Deep Learning Toolbox).

Укажите сетевой объект для генерации кода

Если вы генерируете код при помощи codegen или приложение, загрузите сетевой объект в вашу функцию точки входа с помощью coder.loadDeepLearningNetwork. Для примера:

function out = myNet_predict(in) %#codegen

persistent mynet;

if isempty(mynet)
    mynet = coder.loadDeepLearningNetwork('matlab.mat');
end
out = predict(mynet,in);

Для предварительно обученных сетей, которые доступны в качестве функций пакета поддержки, таких как alexnet, inceptionv3, googlenet, и resnetможно непосредственно задать функцию пакета поддержки, например, написав mynet = googlenet.

Затем сгенерируйте код для функции точки входа. Для примера:

cfg = coder.gpuConfig('mex');
cfg.TargetLang = 'C++';
cfg.DeepLearningConfig = coder.DeepLearningConfig('cudnn'); 
codegen -args {ones(224,224,3,'single')} -config cfg myNet_predict

Задайте dlnetwork Объект для генерации кода

Предположим, у вас есть предварительно обученный dlnetwork сетевой объект в mynet.mat MAT-файл. Чтобы предсказать отклики для этой сети, создайте функцию точки входа в MATLAB® как показано на этом коде.

function a = myDLNet_predict(in)
dlIn = dlarray(in, 'SSC');

persistent dlnet;
if isempty(dlnet)
    dlnet = coder.loadDeepLearningNetwork('mynet.mat');
end

dlA = predict(dlnet, dlIn);

a = extractdata(dlA);

end

В этом примере вход и выход в myDLNet_predict имеют более простые типы данных и dlarray создается в рамках функции. extractdata (Deep Learning Toolbox) метод dlarray объект возвращает данные в dlarray dlA как выход myDLNet_predict. Область выхода a имеет тот совпадающий тип данных, что и базовый тип данных в dlA. Этот проект точки входа имеет следующие преимущества:

  • Более лёгкое интегрирование с автономными рабочими процессами генерации кода, такими как статические, динамические библиотеки или исполняемые файлы.

  • Формат данных выхода из extractdata функция имеет тот же порядок ('SCBTU') как в среде MATLAB, так и в сгенерированном коде.

  • Повышает эффективность рабочих процессов MEX.

  • Упрощает Simulink® рабочие процессы, использующие блоки MATLAB Function, которые Simulink не поддерживает dlarray объекты.

Затем сгенерируйте код для функции точки входа. Для примера:

cfg = coder.gpuConfig('lib');
cfg.TargetLang = 'C++';
cfg.DeepLearningConfig = coder.DeepLearningConfig('cudnn'); 
codegen -args {ones(224,224,3,'single')} -config cfg myDLNet_predict

См. также

Функции

Объекты

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте