网络层支持代码生成金宝app
MATLAB®编码器™金宝app支持系列、代码生成有向无环图(DAG)和复发性卷积神经网络(cnn或回旋网)。您可以生成代码的任何训练有素的卷积神经网络层支持的代码生成。金宝app看到金宝app支持层。
金宝app支持Pretrained网络
以下pretrained网络,深度学习工具箱™,支持代码生成。金宝app
网络名称 | 描述 | 手臂®计算库 | 英特尔®MKL-DNN |
---|---|---|---|
AlexNet |
AlexNet卷积神经网络。为pretrained AlexNet模型,明白了 |
是的 | 是的 |
DarkNet |
DarkNet-19和DarkNet-53卷积神经网络。为pretrained DarkNet模型,明白了darknet19 (深度学习工具箱)和darknet53 (深度学习工具箱)。 |
是的 | 是的 |
densenet - 201 |
densenet - 201卷积神经网络。为pretrained densenet - 201模型,明白了 |
是的 | 是的 |
EfficientNet-b0 |
EfficientNet-b0卷积神经网络。为pretrained EfficientNet-b0模型,明白了 |
是的 | 是的 |
GoogLeNet |
GoogLeNet卷积神经网络。为pretrained GoogLeNet模型,明白了 |
是的 | 是的 |
Inception-ResNet-v2 |
Inception-ResNet-v2卷积神经网络。为pretrained Inception-ResNet-v2模型,明白了 |
是的 | 是的 |
Inception-v3 |
Inception-v3卷积神经网络。为pretrained Inception-v3模型,明白了inceptionv3 (深度学习工具箱)。 |
是的 | 是的 |
MobileNet-v2 |
MobileNet-v2卷积神经网络。为pretrained MobileNet-v2模型,明白了 |
是的 | 是的 |
NASNet-Large |
NASNet-Large卷积神经网络。为pretrained NASNet-Large模型,明白了 |
是的 | 是的 |
NASNet-Mobile |
NASNet-Mobile卷积神经网络。为pretrained NASNet-Mobile模型,明白了 |
是的 | 是的 |
ResNet |
ResNet-18、ResNet-50 resnet - 101卷积神经网络。为pretrained ResNet模型,明白了 |
是的 | 是的 |
SegNet |
多层次pixelwise分割网络。有关更多信息,请参见 |
没有 | 是的 |
SqueezeNet |
小,深层神经网络。为pretrained SqeezeNet模型,明白了 |
是的 | 是的 |
VGG-16 |
VGG-16卷积神经网络。为pretrained VGG-16模型,明白了 |
是的 | 是的 |
VGG-19 |
VGG-19卷积神经网络。为pretrained VGG-19模型,明白了 |
是的 | 是的 |
Xception |
Xception卷积神经网络。为pretrained Xception模型,明白了 |
是的 | 是的 |
金宝app支持层
支持以下层代码生成金宝appMATLAB编码器目标深度学习库中指定的表。
一旦你安装支持包金宝app为深度学习MATLAB编码器接口库,你可以使用coder.getDeepLearningLayers
看到的列表层支持一个特定的深度学习的图书馆。金宝app例如:
coder.getDeepLearningLayers (“mkldnn”)
层的名字 | 描述 | 臂计算库 | 英特尔MKL-DNN | 通用的C / c++ |
---|---|---|---|---|
additionLayer (深度学习工具箱) |
添加层 |
是的 | 是的 | 是的 |
anchorBoxLayer (计算机视觉工具箱) |
锚箱层 |
是的 | 是的 | 没有 |
averagePooling2dLayer (深度学习工具箱) |
平均池层 |
是的 | 是的 | 没有 |
batchNormalizationLayer (深度学习工具箱) |
批归一化层 |
是的 | 是的 | 是的 |
bilstmLayer (深度学习工具箱) |
双向LSTM层 | 是的 | 是的 | 是的 |
classificationLayer (深度学习工具箱) |
创建分类输出层 |
是的 | 是的 | 是的 |
clippedReluLayer (深度学习工具箱) |
剪修正线性单元(ReLU)层 |
是的 | 是的 | 是的 |
concatenationLayer (深度学习工具箱) |
连接层 |
是的 | 是的 | 是的 |
convolution2dLayer (深度学习工具箱) |
二维卷积层
|
是的 | 是的 |
是的 |
crop2dLayer (深度学习工具箱) |
输入层,应用二维裁剪 |
是的 | 是的 | 没有 |
CrossChannelNormalizationLayer (深度学习工具箱) |
Channel-wise当地反应正常化层 |
是的 | 是的 | 没有 |
自定义图层 |
自定义图层,有或没有可学的参数,定义你的问题。 看到的:
自定义层的输出必须固定大小的数组。 自定义层序网络支持通用的C / c++代码生成。金宝app 对于代码生成、自定义层必须包含 你可以通过
对于不支持的金宝app 函数Z =预测(层,X)如果coder.target (MATLAB的)Z = doPredict (X);其他的如果isdlarray (X) X1 = extractdata (X);Z1 = doPredict (X1);Z = dlarray (Z1);其他的Z = doPredict (X);结束结束结束 |
是的 |
是的 | 是的 自定义层序网络支持通用的C / c++代码生成。金宝app |
自定义输出层 |
所有输出层包括自定义分类或回归输出层通过使用创建的 为一个例子,演示如何定义一个自定义分类输出层和指定一个损失函数,看看自定义分类输出层(深度学习工具箱)。 为一个例子,演示如何定义一个自定义回归输出层和指定一个损失函数,看看定义定制的回归输出层(深度学习工具箱)。 |
是的 |
是的 |
是的 |
depthConcatenationLayer (深度学习工具箱) |
深度连接层 |
是的 | 是的 |
没有 |
depthToSpace2dLayer (图像处理工具箱) |
二维深度空间层 | 是的 | 是的 | 是的 |
dicePixelClassificationLayer (计算机视觉工具箱) |
骰子像素分类层提供了一个分类标签为每个图像像素或体素使用广义骰子的损失。 |
是的 | 是的 | 没有 |
dropoutLayer (深度学习工具箱) |
辍学层 |
是的 | 是的 | 是的 |
eluLayer (深度学习工具箱) |
指数线性单元(ELU)层 |
是的 | 是的 | 是的 |
featureInputLayer (深度学习工具箱) |
特性输入层 |
是的 | 是的 | 是的 |
flattenLayer (深度学习工具箱) |
平层 |
是的 | 是的 | 没有 |
focalLossLayer (计算机视觉工具箱) |
一层焦损失预测对象类使用焦损失。 | 是的 | 是的 | 没有 |
fullyConnectedLayer (深度学习工具箱) |
完全连接层 |
是的 | 是的 | 是的 |
globalAveragePooling2dLayer (深度学习工具箱) |
全球平均池为空间数据层 |
是的 |
是的 |
没有 |
globalMaxPooling2dLayer (深度学习工具箱) |
二维全球最大池层 |
是的 | 是的 | 没有 |
|
二维卷积层分组
|
是的
|
是的 |
没有 |
|
集团标准化层 |
是的 |
是的 |
是的 |
|
封闭的复发性单元(格勒乌)层 |
是的 |
是的 |
是的 |
imageInputLayer (深度学习工具箱) |
图像输入层
|
是的 | 是的 | 是的 |
leakyReluLayer (深度学习工具箱) |
漏水的解决线性单元(ReLU)层 |
是的 | 是的 | 是的 |
lstmLayer (深度学习工具箱) |
长短期记忆(LSTM)层 |
是的 | 是的 | 是的 |
maxPooling2dLayer (深度学习工具箱) |
马克斯池层 如果= max值沿对角线外的存在于内核窗口,实现的差异 |
是的 | 是的 | 是的 |
maxUnpooling2dLayer (深度学习工具箱) |
马克斯unpooling层 如果= max值沿对角线外的存在于内核窗口,实现的差异 |
没有 | 是的 | 没有 |
multiplicationLayer (深度学习工具箱) |
乘法层 |
是的 | 是的 | 是的 |
pixelClassificationLayer (计算机视觉工具箱) |
创建像素分类层语义分割 |
是的 | 是的 | 没有 |
rcnnBoxRegressionLayer (计算机视觉工具箱) |
快,快R-CNN盒回归层 |
是的 | 是的 | 没有 |
rpnClassificationLayer (计算机视觉工具箱) |
分类层地区建议网络(rpn) |
是的 | 是的 | 没有 |
regressionLayer (深度学习工具箱) |
创建一个回归输出层 |
是的 | 是的 | 是的 |
reluLayer (深度学习工具箱) |
修正线性单元(ReLU)层 |
是的 | 是的 | 是的 |
resize2dLayer (图像处理工具箱) |
二维调整层 | 是的 | 是的 | 是的 |
scalingLayer (强化学习工具箱) |
演员或评论家网络扩展层 | 是的 | 是的 | 是的 |
sigmoidLayer (深度学习工具箱) |
乙状结肠层 | 是的 | 是的 | 是的 |
sequenceFoldingLayer (深度学习工具箱) |
序列折叠层 | 是的 | 是的 | 没有 |
sequenceInputLayer (深度学习工具箱) |
序列输入层
|
是的 | 是的 | 是的 |
sequenceUnfoldingLayer (深度学习工具箱) |
序列展开层 | 是的 | 是的 | 没有 |
softmaxLayer (深度学习工具箱) |
Softmax层 |
是的 | 是的 |
是的 |
softplusLayer (强化学习工具箱) |
Softplus演员或评论家网络层 |
是的 | 是的 | 是的 |
spaceToDepthLayer (图像处理工具箱) |
空间深度层 |
是的 | 是的 | 没有 |
ssdMergeLayer (计算机视觉工具箱) |
SSD合并层进行目标检测 |
是的 | 是的 | 没有 |
swishLayer (深度学习工具箱) |
时髦的层 |
是的 | 是的 | 是的 |
|
剪辑上下界之间的输入 |
是的 | 是的 | 是的 |
|
趋于平缓激活成一维假设c风格的(行) |
是的 |
是的 |
是的 |
nnet.keras.layer.GlobalAveragePooling2dLayer |
全球平均池为空间数据层 |
是的 |
是的 |
是的 |
|
参数修正线性单元 |
是的 | 是的 | 是的 |
|
乙状结肠活化层 |
是的 |
是的 |
是的 |
|
双曲正切活化层 |
是的 |
是的 |
是的 |
|
平的序列输入图像到一个向量序列,假设c风格(或行)存储的顺序输入层 |
是的 | 是的 | 是的 |
|
零填充层为二维输入 |
是的 |
是的 |
是的 |
|
剪辑上下界之间的输入 |
是的 | 是的 | 是的 |
nnet.onnx.layer.ElementwiseAffineLayer |
层执行element-wise缩放输入添加紧随其后 |
是的 | 是的 | 是的 |
|
趋于平缓MATLAB 2 d图像批ONNX的方式,产生一个二维数组输出 |
是的 | 是的 | 是的 |
|
平层ONNX™网络 |
是的 |
是的 |
是的 |
|
全球平均池为空间数据层 |
是的 | 是的 | 是的 |
|
层实现ONNX标识符 |
是的 |
是的 |
是的 |
|
参数修正线性单元 |
是的 | 是的 | 是的 |
|
乙状结肠活化层 |
是的 | 是的 | 是的 |
|
双曲正切活化层 |
是的 | 是的 | 是的 |
|
验证固定批量大小 |
是的 | 是的 | 是的 |
|
双曲正切(双曲正切)层 |
是的 |
是的 |
是的 |
|
转置二维卷积层 代码生成不支持输入的不对称剪裁。金宝app例如,指定一个向量 |
是的 |
是的 |
没有 |
|
一个字嵌入层地图单词索引向量 |
是的 |
是的 |
没有 |
|
输出层YOLO v2意思对象检测网络 |
是的 |
是的 |
没有 |
|
重组层YOLO v2意思对象检测网络 |
是的 |
是的 |
没有 |
|
转换层YOLO v2意思对象检测网络 |
是的 |
是的 |
没有 |
金宝app支持类
类 |
描述 |
臂计算库 |
英特尔MKL-DNN |
通用的C / c++ |
---|---|---|---|---|
DAGNetwork (深度学习工具箱) |
有向无环图(DAG)网络深度学习
|
是的 |
是的 |
是的 |
dlnetwork (深度学习工具箱) |
深入学习网络定制培训循环
|
是的 |
是的 |
是的 |
SeriesNetwork (深度学习工具箱) |
系列网络深度学习
|
是的 |
是的 |
是的 |
|
检测对象使用YOLO v2意思对象探测器
|
是的 |
是的 |
没有 |
|
检测对象使用YOLO v3意思对象探测器
|
是的 |
是的 |
没有 |
yolov4ObjectDetector (计算机视觉工具箱) |
检测对象使用YOLO v4意思对象探测器
|
是的 |
是的 |
没有 |
ssdObjectDetector (计算机视觉工具箱) |
对象检测对象使用SSD-based探测器。
|
是的 |
是的 |
没有 |
|
在激光雷达点云PointPillars网络检测对象
|
是的 |
是的 |
没有 |
代码生成量化的网络
您可以使用深度学习工具箱与深度学习工具箱模型量化库支持包减少内存占用的深层神经网络通过量化权重,偏见,和激活卷积层8位整数数据类型。金宝app然后,您可以使用MATLAB编码器为量化网络生成优化的代码。看到量化深度学习网络。
另请参阅
相关的话题
- Pretrained深层神经网络(深度学习工具箱)
- 了解卷积神经网络(深度学习工具箱)
- 工作流与MATLAB编码器深度学习代码生成