主要内容

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alexnet(深度学习工具箱)。

 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densenet201(深度学习工具箱)。

 是的 是的
EfficientNet-b0

EfficientNet-b0卷积神经网络。为pretrained EfficientNet-b0模型,明白了efficientnetb0(深度学习工具箱)。

 是的 是的
GoogLeNet

GoogLeNet卷积神经网络。为pretrained GoogLeNet模型,明白了googlenet(深度学习工具箱)。

 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inceptionresnetv2(深度学习工具箱)。

 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mobilenetv2(深度学习工具箱)。

 是的 是的
NASNet-Large

NASNet-Large卷积神经网络。为pretrained NASNet-Large模型,明白了nasnetlarge(深度学习工具箱)。

 是的 是的
NASNet-Mobile

NASNet-Mobile卷积神经网络。为pretrained NASNet-Mobile模型,明白了nasnetmobile(深度学习工具箱)。

 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resnet18(深度学习工具箱),resnet50(深度学习工具箱),resnet101(深度学习工具箱)。

 是的 是的
SegNet

多层次pixelwise分割网络。有关更多信息,请参见segnetLayers(计算机视觉工具箱)。

 没有 是的
SqueezeNet

小,深层神经网络。为pretrained SqeezeNet模型,明白了squeezenet(深度学习工具箱)。

 是的 是的
VGG-16

VGG-16卷积神经网络。为pretrained VGG-16模型,明白了vgg16(深度学习工具箱)。

 是的 是的
VGG-19

VGG-19卷积神经网络。为pretrained VGG-19模型,明白了vgg19(深度学习工具箱)。

 是的 是的
Xception

Xception卷积神经网络。为pretrained Xception模型,明白了xception(深度学习工具箱)。

 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

  • 对于代码生成,PaddingValue参数必须等于0,这是默认值。

 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% # codegen编译指示。

你可以通过dlarray自定义层如果:

  • 自定义图层dlnetwork。

  • 自定义层是在DAG或系列网络和继承nnet.layer.Formattable或者没有向后传播。

对于不支持的金宝appdlarray方法,那么你必须提取的基础数据dlarray,执行计算和重构数据回dlarray代码生成。例如,

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nnet.layer.ClassificationLayer或nnet.layer.RegressionLayer。

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

groupedConvolution2dLayer(深度学习工具箱)

二维卷积层分组

  • 对于代码生成,PaddingValue参数必须等于0,这是默认值。

是的

  • 如果你指定一个整数numGroups,那么这个值必须小于或等于2。

是的

 没有

groupNormalizationLayer(深度学习工具箱)

集团标准化层

是的

是的

是的

gruLayer(深度学习工具箱)

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

  • 代码生成不支持金宝app“归一化”指定使用一个函数处理。

 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maxPooling2dLayer可能会导致轻微的MATLAB数值不匹配,生成的代码。这个问题也会造成不匹配指数的最大值在每一集中地区。有关更多信息,请参见maxPooling2dLayer(深度学习工具箱)。

 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maxPooling2dLayer可能会导致轻微的MATLAB数值不匹配,生成的代码。这个问题也会造成不匹配指数的最大值在每一集中地区。有关更多信息,请参见maxUnpooling2dLayer(深度学习工具箱)。

 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

  • 为输入向量序列,在代码生成功能必须是一个常数。

  • 代码生成不支持金宝app“归一化”指定使用一个函数处理。

 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

nnet.keras.layer.ClipLayer

剪辑上下界之间的输入

 是的 是的 是的

nnet.keras.layer.FlattenCStyleLayer

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

nnet.keras.layer.PreluLayer

参数修正线性单元

 是的 是的 是的

nnet.keras.layer.SigmoidLayer

乙状结肠活化层

是的

是的

 是的

nnet.keras.layer.TanhLayer

双曲正切活化层

是的

是的

 是的

nnet.keras.layer.TimeDistributedFlattenCStyleLayer

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

nnet.keras.layer.ZeroPadding2dLayer

零填充层为二维输入

是的

是的

 是的

nnet.onnx.layer.ClipLayer

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

nnet.onnx.layer.FlattenInto2dLayer

趋于平缓MATLAB 2 d图像批ONNX的方式,产生一个二维数组输出CB格式

 是的 是的 是的

nnet.onnx.layer.FlattenLayer

平层ONNX™网络

是的

是的

 是的

nnet.onnx.layer.GlobalAveragePooling2dLayer

全球平均池为空间数据层

 是的 是的 是的

nnet.onnx.layer.IdentityLayer

层实现ONNX标识符

是的

是的

 是的

nnet.onnx.layer.PreluLayer

参数修正线性单元

 是的 是的 是的

nnet.onnx.layer.SigmoidLayer

乙状结肠活化层

 是的 是的 是的

nnet.onnx.layer.TanhLayer

双曲正切活化层

 是的 是的 是的

nnet.onnx.layer.VerifyBatchSizeLayer

验证固定批量大小

 是的 是的 是的

tanhLayer(深度学习工具箱)

双曲正切(双曲正切)层

是的

是的

 是的

transposedConv2dLayer(深度学习工具箱)

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[t b l r]为“种植”作物参数,下,左,右的输入不支持。金宝app

是的

是的

 没有

wordEmbeddingLayer(文本分析工具箱)

一个字嵌入层地图单词索引向量

是的

是的

 没有

yolov2OutputLayer(计算机视觉工具箱)

输出层YOLO v2意思对象检测网络

是的

是的

 没有

yolov2ReorgLayer(计算机视觉工具箱)

重组层YOLO v2意思对象检测网络

是的

是的

 没有

yolov2TransformLayer(计算机视觉工具箱)

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

  • 只有激活,预测,分类支持方法。金宝app

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

  • 代码生成仅支持的金宝appInputNames和OutputNames属性。

  • 代码生成不支持金宝appdlnetwork对象没有输入层。的初始化财产的dlnetwork对象必须被设置为true。

  • 您可以生成代码dlnetwork向量或图像序列输入。臂计算的dlnetwork可以有顺序和不连续输入层。英特尔MKL-DNN,输入层必须所有序列输入层。代码生成支持包括:金宝app

    • dlarray包含向量序列“CT”或“认知行为治疗”数据格式。

    • dlarray包含图像序列“SSCT”或“SSCBT”数据格式。

    • 多输入dlnetwork与异构输入层。RNN网络,不支持多个输入。金宝app

  • 代码生成仅支持的金宝app预测对象的功能。的dlarray的输入预测必须是一个方法单数据类型。

  • 代码生成支持那金宝appdlnetworks。

  • 创建一个dlnetwork为代码生成对象,明白了负载Pretrained网络代码生成。

是的

是的

是的
SeriesNetwork(深度学习工具箱)

系列网络深度学习

  • 只有激活,分类,预测,predictAndUpdateState,classifyAndUpdateState,resetState支持对象的功能。金宝app

是的

是的

是的

yolov2ObjectDetector(计算机视觉工具箱)

检测对象使用YOLO v2意思对象探测器

  • 只有检测(计算机视觉工具箱)的方法yolov2ObjectDetector支持代金宝app码生成。

  • 的roi参数检测方法必须是一个代码生成常数(coder.const ())和1 x4向量。

  • 只有阈值,SelectStrongest,MinSize,最大尺寸名称-值对的检测都受支持金宝app。

是的

是的

没有

yolov3ObjectDetector(计算机视觉工具箱)

检测对象使用YOLO v3意思对象探测器

  • 只有检测(计算机视觉工具箱)的方法yolov3ObjectDetector支持代金宝app码生成。

  • 的roi参数检测方法必须是一个代码生成常数(coder.const ())和1 x4向量。

  • 只有阈值,SelectStrongest,MinSize,最大尺寸名称-值对的检测都受支持金宝app。

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

  • 的roi参数检测方法必须是一个代码生成常数(coder.const ())和1 x4向量。

  • 只有阈值,SelectStrongest,MinSize,最大尺寸,MiniBatchSize名称-值对的检测都受支持金宝app。

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。

  • 只有检测(计算机视觉工具箱)的方法ssdObjectDetector支持代金宝app码生成。

  • 的roi参数检测方法一定是codegen常数(coder.const ())和1 x4向量。

  • 只有阈值,SelectStrongest,MinSize,最大尺寸,MiniBatchSize支持名称-值对。金宝app所有必须编译时常量名称-值对。

  • 输入图像的通道和批量大小必须固定大小。

  • 的标签输出作为分类数组返回。

  • 在生成的代码中,输入新网络的输入层的大小。但的边界框检测方法返回引用原始输入的大小。

是的

是的

没有

pointPillarsObjectDetector(激光雷达工具箱)

在激光雷达点云PointPillars网络检测对象

  • 只有检测的方法pointPillarsObjectDetector支持代金宝app码生成。

  • 只有阈值,SelectStrongest,MiniBatchSize名称-值对的检测支持方法。金宝app

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