Профилируйте запуск вывода

В этом примере показано, как получить предсказание, и профилировщик заканчивается для сети ResNet-18. Просмотрите сетевое предсказание и данные о производительности для слоев, модуля свертки и полностью соединенных модулей в вашей предварительно обученной нейронной сети для глубокого обучения.

Создайте объект класса Workflow при помощи dlhdl.Workflow класс.
Смотрите, Создайте Объект Рабочего процесса при помощи Пар Значения Имени свойства.
Установите предварительно обученную нейронную сеть для глубокого обучения и поток битов для объекта рабочего процесса.
Смотрите, Создайте Объект Рабочего процесса при помощи Пар Значения Имени свойства.
Создайте объект класса dlhdl.Target и задайте целевого поставщика и интерфейс. Смотрите, dlhdl.Target.
Чтобы развернуть сеть на заданной целевой плате FPGA, вызовите deploy метод для объекта рабочего процесса. Смотрите, deploy.
Вызовите predict функция для объекта рабочего процесса. Обеспечьте массив изображений как InputImage параметр. Обеспечьте аргументы, чтобы включить профилировщик. Смотрите, Предскажите Результаты Результата и Профиля.
Метки, классифицирующие изображения, хранятся в структуре struct и отображенный на экране. Эксплуатационные параметры скорости и задержки возвращены в структуре struct.

Используйте это изображение, чтобы запустить этот код:

snet = resnet18;
hT = dlhdl.Target('Xilinx','Interface','Ethernet');
hW = dlhdl.Workflow('Net',snet,'Bitstream','zcu102_single','Target',hT);
hW.deploy;
image = imread('zebra.jpeg');
inputImg = imresize(image, [224, 224]);
imshow(inputImg);
[prediction, speed] = hW.predict(single(inputImg),'Profile','on');
[val, idx] = max(prediction);
snet.Layers(end).ClassNames{idx}

### Finished writing input activations.
### Running single input activations.


              Deep Learning Processor Profiler Performance Results

                   LastFrameLatency(cycles)   LastFrameLatency(seconds)       FramesNum      Total Latency     Frames/s
                         -------------             -------------              ---------        ---------       ---------
Network                   23659630                  0.10754                       1           23659630              9.3
    conv1                  2224115                  0.01011 
    pool1                   572867                  0.00260 
    res2a_branch2a          972699                  0.00442 
    res2a_branch2b          972568                  0.00442 
    res2a                   209312                  0.00095 
    res2b_branch2a          972733                  0.00442 
    res2b_branch2b          973022                  0.00442 
    res2b                   209736                  0.00095 
    res3a_branch2a          747507                  0.00340 
    res3a_branch2b          904291                  0.00411 
    res3a_branch1           538763                  0.00245 
    res3a                   104750                  0.00048 
    res3b_branch2a          904389                  0.00411 
    res3b_branch2b          904367                  0.00411 
    res3b                   104886                  0.00048 
    res4a_branch2a          485682                  0.00221 
    res4a_branch2b          880001                  0.00400 
    res4a_branch1           486429                  0.00221 
    res4a                    52628                  0.00024 
    res4b_branch2a          880053                  0.00400 
    res4b_branch2b          880035                  0.00400 
    res4b                    52478                  0.00024 
    res5a_branch2a         1056299                  0.00480 
    res5a_branch2b         2056857                  0.00935 
    res5a_branch1          1056510                  0.00480 
    res5a                    26170                  0.00012 
    res5b_branch2a         2057203                  0.00935 
    res5b_branch2b         2057659                  0.00935 
    res5b                    26381                  0.00012 
    pool5                    71405                  0.00032 
    fc1000                  216155                  0.00098 
 * The clock frequency of the DL processor is: 220MHz

Данные профилировщика возвращают эти параметры и их значения:

LastFrameLatency(cycles) — Общее количество тактов для предыдущего выполнения системы координат.
Тактовая частота — информация о Тактовой частоте получена из потока битов, который использовался, чтобы развернуть сеть в требуемую плату. Например, профилировщик возвращает * The clock frequency of the DL processor is: 220MHz. Тактовая частота 220 МГц получена из zcu102_single поток битов.
LastFrameLatency(seconds) — Общее количество секунд для предыдущего выполнения системы координат. Общее время вычисляется как LastFrameLatency(cycles)/Clock Frequency. Например, conv_module LastFrameLatency(seconds) вычисляется как 2224115/(220*10^6).
FramesNum — Общее количество входных кадров к сети. Это значение будет использоваться в вычислении Frames/s.
Total Latency — Общее количество тактов, чтобы выполнить все слоя сети и модули для FramesNum.
Frames/s — Количество кадров обрабатывается за одну секунду сетью. Общий Frames/s вычисляется как (FramesNum*Clock Frequency)/Total Latency. Например, Frames/s в примере вычисляется как (1*220*10^6)/23659630.

Документация

Профилируйте запуск вывода

Смотрите также

Похожие темы

Документация Deep Learning HDL Toolbox

Поддержка