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.
dlhdl.Target | dlhdl.Workflow | predict