获取包含预先训练的mat文件VGG-16网络。

url =“//www.tatmou.com/金宝appsupportfiles/gpucoder/cnn_models/VGG/vgg16.mat”；websave (“vgg16.mat”url);

创建一个入口点函数myVGG16使用coder.loadDeepLearningNetwork函数来加载vgg16.mat在持续mynetSeriesNetwork对象。

函数= myVGG16(中)持续的mynet;如果isempty(mynet) mynet = code . loaddeeplearningnetwork (“vgg16.mat”，“myVGGnet”）;结束=预测(mynet,);

对象的后续调用过程中，持久对象避免重新构造和重新加载网络对象预测方法的输入。

预先训练的输入层VGG-16网络接受大小的图像224年x224x3．使用以下代码行从图形文件中读取输入图像并将其调整为224年x224．

在= imread (“peppers.png”）;在= imresize(在[224224]);

创建一个coder.config配置对象，用于生成MEX代码，并将目标语言设置为c++。在配置对象上设置DeepLearningConfig与targetlib作为“mkldnn”．的codegen函数必须确定MATLAB函数输入的大小、类和复杂性。使用arg游戏选项指定入口点函数的输入大小。使用配置选项以传递代码配置对象。

cfg = coder.config (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“mkldnn”）;codegenarg游戏{(224224 3 uint8)}配置cfgmyVGG16报告；

的codegen命令将所有生成的文件放入codegen文件夹中。该文件夹包含入口点函数的c++代码myVGG16.cpp，头文件和源文件，其中包含用于卷积神经网络(CNN)的c++类定义，权重和偏差文件。

调用VGG-16对输入图像进行预测，并显示预测的前5个标签。

predict_scores = myVGG16_mex(的);[分数,indx] =排序(predict_scores“下”）;网= coder.loadDeepLearningNetwork (“vgg16.mat”）;一会= net.Layers . class(结束);disp(类名(indx (1:5)));

甜椒黄瓜杂货店，橡子南瓜，冬南瓜

创建一个入口点函数resnetFun使用coder.loadDeepLearningNetwork函数调用Deep Learning Toolbox™工具箱函数resnet50．这个函数返回一个预先训练过的ResNet-50网络。

函数= resnetFun(中)持续的mynet;如果isempty(mynet) mynet = code . loaddeeplearningnetwork (“resnet50”，“myresnet”）;结束=预测(mynet,);

对象的后续调用过程中，持久对象避免重新构造和重新加载网络对象预测方法的输入。

预先训练的输入层ResNet-50网络接受大小的图像224年x224x3．从图形文件中读取输入图像并将其调整为224年x224，请使用以下代码行:

在= imread (“peppers.png”）;在= imresize(在[224224]);

创建一个coder.gpuConfig配置对象，用于生成MEX代码，并将目标语言设置为c++。的codegen函数必须确定MATLAB函数输入的大小、类和复杂性。使用arg游戏选项指定入口点函数的输入大小和配置选项以传递代码配置对象。

cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;codegenarg游戏{(224224 3 uint8)}配置cfgresnetFun报告；

的codegen命令将所有生成的文件放入codegen文件夹中。它包含了入口点函数的CUDA代码resnetFun.cu，头文件和源文件，其中包含用于卷积神经网络(CNN)、权重和偏差文件的c++类定义。