预测

使用训练有素的深度学习神经网络预测反应

全部展开页面

库:
深度学习工具箱/深度神经网络

描述

的预测block通过使用block参数指定的训练网络预测输入端数据的响应。此block允许将预训练网络加载到Simulink中金宝app^®从MAT文件或MATLAB中建立模型^®函数。

请注意

使用预测块在Simulink中进行预测。要使用MATLAB代码以编金宝app程方式进行预测，请使用分类和预测功能。

港口

输入

全部展开

`输入`-图像、特征、序列或时间序列数据
数字数组

的输入端口预测块采用加载网络的输入层的名称。例如，如果指定水壶为MATLAB函数的输入端口预测块标记数据．基于网络加载，预测块的输入可以是图像、序列或时间序列数据。

输入的格式取决于数据的类型。

数据	预测值格式
二维图像	一个h-借-w-借-c-借-N数字数组,h，w和c图像的高度、宽度和通道数量分别是和吗N是图像的数量。
向量序列	c-借-年代矩阵，在哪里c序列的特征数是和吗年代是序列长度。
二维图像序列	h-借-w-借-c-借-年代数组,h，w和c分别对应图像的高度、宽度和通道数量，和年代是序列长度。
特性	一个N-借-`numFeatures`数字数组,N是观察次数和`numFeatures`是输入数据的特征数。

如果数组包含南，然后通过网络传播。

输出

全部展开

`输出`-预测分数、响应或激活
数字数组

的输出端口预测块接受所加载网络的输出层的名称。例如，如果指定水壶为MATLAB函数的输出端口预测块标记输出。根据加载的网络，输出预测块可以表示预测的分数或响应。

预测分数或响应，以N-借-K数组,N是观察的次数，和K为类数。

如果你使激活对于网络层预测块使用选定网络层的名称创建新的输出端口。此端口输出所选网络层的激活。

来自网络层的激活以数字数组的形式返回。输出的格式取决于输入数据的类型和层输出的类型。

对于2-D图像输出，激活是一个重要步骤h-借-w-借-c-借-n数组,h，w和c分别是所选层的输出通道的高度、宽度和数量，以及n是图像的数量。

对于包含矢量数据的单个时间步，激活是c-借-n矩阵，在哪里n是序列数和c为序列中特征的个数。

对于包含二维图像数据的单个时间步长，激活是一个h-借-w-借-c-借-n数组,n为序列的个数，h，w和c分别为图像的高度、宽度和通道数量。

参数

全部展开

`网络`-训练有素的网络来源
`网络从MAT-file`(默认)|`基于MATLAB函数的网络`

指定经过训练的网络的源。选择以下选项之一：

网络从MAT-file-从包含SeriesNetwork，DAGNetwork,或数据链路网络对象
基于MATLAB函数的网络-从MATLAB函数中导入一个预先训练好的网络。例如，通过使用水壶函数。

编程使用

块参数：网络

类型:特征向量,字符串

价值观:“网络从MAT-file”|'网络从MATLAB函数'

默认值:“网络从MAT-file”

`文件路径`- mat -包含训练网络的文件
`untitled.mat`（默认）| MAT文件路径或名称

此参数指定包含要加载的经过训练的深度学习网络的MAT文件的名称。如果该文件不在MATLAB路径上，请使用浏览按钮以定位文件。

依赖关系

要启用此参数，请设置网络参数网络从MAT-file．

编程使用

块参数：网络文件路径

类型:特征向量,字符串

价值观:mat -文件路径或名称

默认值:“无标题。mat”

`MATLAB函数`-MATLAB函数名
`squeezenet`(默认)| MATLAB函数名

该参数指定预训练的深度学习网络的MATLAB函数名。例如,使用水壶函数导入预先训练好的GoogLeNet模型。

依赖关系

要启用此参数，请设置网络参数基于MATLAB函数的网络．

编程使用

块参数：NetworkFunction

类型:特征向量,字符串

价值观:MATLAB函数名

默认值:“挤压网”

`小批量`-小批量的大小
128(默认)|正整数

用于预测的小批量的大小，指定为正整数。更大的迷你批处理需要更多的内存，但可以导致更快的预测。

编程使用

块参数：小批量

类型:特征向量,字符串

价值观:正整数

默认值:'128'

`预测`-输出预测分数或反应
`在…上`(默认)|`关`

启用返回预测分数或响应的输出端口。

编程使用

块参数：预测

类型:特征向量,字符串

价值观:“关”|“上”

默认值:“上”

`激活`-特定层的输出网络激活
网络的层次

使用激活列表以选择要从中提取特征的图层。所选图层显示为的输出端口预测块。

编程使用

块参数：激活

类型:特征向量,字符串

价值观:字符向量的形式为“{'layerName1'，layerName2'，…}”

默认值:'＇

模型的例子

基于深度学习的Simulink车道和车辆检测金宝app

在Simulink®模型中使用深度卷积神经网络来执行车道和车辆检测。金宝app本例以交通视频中的帧作为输入，输出两个车道边界，分别对应ego车辆的左右车道，并检测帧中的车辆。

扩展功能

C/C++代码生成
使用Simulink®Coder™生成C和c++代码。金宝app

使用说明和限制：

的语言参数配置参数>代码生成“常规类别”必须设置为c++．
对于基于ert的目标金宝app支持:适应信号参数代码生成>接口窗格必须启用。
有关代码生成支持的网络和层的列表，请参见金宝app支持代码生成的网络和层金宝app（MATLAB编码器）．

GPU的代码生成
使用GPU编码器为NVIDIA®GPU生成CUDA®代码™.

使用说明和限制：

的语言参数配置参数>代码生成“常规类别”必须设置为c++．
有关CUDA支持的网络和层的列表金宝app^®代码生成，请参阅金宝app支持的网络、层和类（GPU编码器）．
要了解有关为包含的Simulink模型生成代码的更多信息金宝app预测块,看执行车道和车辆检测的深度学习Simulink模型的代码生成金宝app（GPU编码器）．