金宝app支持网络层,和类- MATLAB和Simulink MathWorks澳大利亚金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

金宝app支持网络层,和类

金宝app支持Pretrained网络

GPU编码器™支持系列金宝app和代码生成有向无环图(DAG)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。你可以训练一个卷积神经网络在CPU、GPU,或多个使用深度学习GPU工具箱™或使用一个表中列出并生成CUDA pretrained网络^®代码。

网络名称	描述	cuDNN	TensorRT	手臂^®计算库马里GPU
AlexNet	AlexNet卷积神经网络。为pretrained AlexNet模型,明白了`alexnet`(深度学习工具箱)。的语法`alexnet(“重量”、“没有”)`不支持代码生成金宝app。	是的	是的	是的
咖啡网络	从咖啡卷积神经网络模型。从咖啡进口pretrained网络,请参阅`importCaffeNetwork`(深度学习工具箱)。	是的	是的	是的
Darknet-19	Darknet-19卷积神经网络。有关更多信息,请参见`darknet19`(深度学习工具箱)。的语法`darknet19(“重量”、“没有”)`不支持代码生成金宝app。	是的	是的	是的
Darknet-53	Darknet-53卷积神经网络。有关更多信息,请参见`darknet53`(深度学习工具箱)。的语法`darknet53(“重量”、“没有”)`不支持代码生成金宝app。	是的	是的	是的
DeepLab v3 +	DeepLab v3 +卷积神经网络。有关更多信息,请参见`deeplabv3plusLayers`(计算机视觉工具箱)。	是的	是的	没有
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)。的语法`densenet201(“重量”、“没有”)`不支持代码生成金宝app。	是的	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)。的语法`efficientnetb0(“重量”、“没有”)`不支持代码生成金宝app。	是的	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)。的语法`googlenet(“重量”、“没有”)`不支持代码生成金宝app。	是的	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	没有
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)。的语法`inceptionv3(“重量”、“没有”)`不支持代码生成金宝app。	是的	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)。的语法`mobilenetv2(“重量”、“没有”)`不支持代码生成金宝app。	是的	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	没有
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	没有
ResNet	ResNet-18、ResNet-50 resnet - 101卷积神经网络。为pretrained ResNet模型,明白了`resnet50`(深度学习工具箱),`resnet18`(深度学习工具箱),`resnet101`(深度学习工具箱)。的语法`resnetXX(“重量”、“没有”)`不支持代码生成金宝app。	是的	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)。	是的	是的	没有
SqueezeNet	小深神经网络。为pretrained SqueezeNet模型,明白了`squeezenet`(深度学习工具箱)。的语法`squeezenet(“重量”、“没有”)`不支持代码生成金宝app。	是的	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)。的语法`vgg16(“重量”、“没有”)`不支持代码生成金宝app。	是的	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)。的语法`vgg19(“重量”、“没有”)`不支持代码生成金宝app。	是的	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)。的语法`xception(“重量”、“没有”)`不支持代码生成金宝app。	是的	是的	是的
YOLO v2意思	你只看一次版本2基于卷积神经网络对象探测器。有关更多信息,请参见`yolov2Layers`(计算机视觉工具箱)	是的	是的	是的

金宝app支持层

以下层支持GPU编码器代码生成的目标深度学习库中指金宝app定的表。

输入层

层的名字描述 cuDNN TensorRT 臂计算库马里GPU

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`imageInputLayer`(深度学习工具箱)	图像输入层输入二维图像网络和应用数据规范化。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
`sequenceInputLayer`(深度学习工具箱)	一个序列输入序列数据网络输入层。 cuDNN库支持向量和二维图像序列。金宝appTensorRT图书馆只支持向量输入序列。金宝app 为输入向量序列,在代码生成功能必须是一个常数。图像序列的输入,高度,宽度,和渠道的数量必须在代码生成一个常数。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	没有
`featureInputLayer`(深度学习工具箱)	功能网络输入层的输入特性数据和应用数据规范化。	是的	是的	是的

imageInputLayer(深度学习工具箱)

图像输入层输入二维图像网络和应用数据规范化。

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

sequenceInputLayer(深度学习工具箱)

一个序列输入序列数据网络输入层。

cuDNN库支持向量和二维图像序列。金宝appTensorRT图书馆只支持向量输入序列。金宝app

为输入向量序列,在代码生成功能必须是一个常数。

图像序列的输入,高度,宽度,和渠道的数量必须在代码生成一个常数。

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

没有

featureInputLayer(深度学习工具箱)

功能网络输入层的输入特性数据和应用数据规范化。

是的

卷积和完全连接层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`convolution2dLayer`(深度学习工具箱)	一个二维卷积层滑动卷积过滤器适用于输入。	是的	是的	是的
`fullyConnectedLayer`(深度学习工具箱)	一个完全连接层增加输入权重矩阵,然后添加一个偏差向量。	是的	是的	没有
`groupedConvolution2dLayer`(深度学习工具箱)	一层二维分组卷积分离输入通道进入组织和应用滑动卷积过滤器。使用分组卷积层channel-wise分离(也称为深度方面可分)卷积。不支持代码生成的手臂马里GPU的二维卷积层分组金宝app`NumGroups`属性设置为`“channel-wise”`或一个值大于2。	是的	是的	是的
`transposedConv2dLayer`(深度学习工具箱)	一层转置二维卷积upsamples特征图。	是的	是的	是的

序列层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`bilstmLayer`(深度学习工具箱)	双向LSTM (BiLSTM)层学习双向长期时间步长之间的依赖关系的时间序列或序列数据。这些依赖项可以是有用的,当你想要完成网络学习时间序列在每个时间步。对于代码生成,`StateActivationFunction`属性必须设置为`的双曲正切`。对于代码生成,`GateActivationFunction`属性必须设置为`“乙状结肠”`。	是的	是的	没有
`flattenLayer`(深度学习工具箱)	平层坍塌的输入通道的空间维度的维度。	是的	没有	没有
`gruLayer`(深度学习工具箱)	格勒乌层学习时间步骤时间序列和序列数据之间的依赖关系。代码生成仅支持的金宝app`“after-multiplication”`和`“recurrent-bias-after-multiplication”`重置门模式。	是的	是的	没有
`lstmLayer`(深度学习工具箱)	LSTM层长期学习时间步骤时间序列和序列数据之间的依赖关系。对于代码生成,`StateActivationFunction`属性必须设置为`的双曲正切`。对于代码生成,`GateActivationFunction`属性必须设置为`“乙状结肠”`。	是的	是的	没有
`sequenceFoldingLayer`(深度学习工具箱)	一个序列折叠层转换一批一批图像的图像序列。使用一个折叠层按时执行卷积操作步骤序列独立的图像序列。	是的	没有	没有
`sequenceInputLayer`(深度学习工具箱)	一个序列输入序列数据网络输入层。 cuDNN库支持向量和二维图像序列。金宝appTensorRT图书馆只支持向量输入序列。金宝app 为输入向量序列,在代码生成功能必须是一个常数。图像序列的输入,高度,宽度,和渠道的数量必须在代码生成一个常数。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	没有
`sequenceUnfoldingLayer`(深度学习工具箱)	一个序列展开层恢复后的输入数据序列的序列结构折叠。	是的	没有	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

激活层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`clippedReluLayer`(深度学习工具箱)	剪ReLU层执行一个阈值操作,任何输入值小于零设置为零,高于任何值剪裁天花板将剪切天花板。	是的	是的	是的
`eluLayer`(深度学习工具箱)	ELU活化层执行身份操作正输入和一个指数非线性负输入。	是的	是的	没有
`leakyReluLayer`(深度学习工具箱)	漏水的ReLU层执行一个阈值操作,任何输入值小于零乘以一个固定的标量。	是的	是的	是的
`reluLayer`(深度学习工具箱)	ReLU层进行阈值操作每个元素的输入,任何小于零的值被设置为零。	是的	是的	是的
`softplusLayer`(强化学习工具箱)	一个`SoftplusLayer`是一个深层神经网络层实现softplus激活吗Y日志(1 + e =^X),确保输出总是正的。	是的	是的	没有
`swishLayer`(深度学习工具箱)	嗖得一声活化层的嗖嗖声函数适用于层输入。	是的	是的	没有
`tanhLayer`(深度学习工具箱)	双曲正切(双曲正切)激活层应用上的双曲正切函数层输入。	是的	是的	是的

正常化,辍学,种植层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`batchNormalizationLayer`(深度学习工具箱)	一批标准化层规范化mini-batch每个输入通道。	是的	是的	是的
`crop2dLayer`(深度学习工具箱)	二维作物层二维裁剪适用于输入。	是的	是的	是的
`crossChannelNormalizationLayer`(深度学习工具箱)	channel-wise当地响应(交叉流道)归一化层进行channel-wise正常化。	是的	是的	是的
`dropoutLayer`(深度学习工具箱)	辍学层随机集输入元素与给定的概率为零。	是的	是的	是的
`groupNormalizationLayer`(深度学习工具箱)	一群归一化层可实现mini-batch跨分组的数据子集的渠道为每个独立的观察。	是的	是的	没有
`scalingLayer`(强化学习工具箱)	演员或评论家网络扩展层。代码生成的值`“规模”`和`“偏见”`属性必须有相同的维度。	是的	是的	是的

池和Unpooling层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`averagePooling2dLayer`(深度学习工具箱)	平均池层执行采样下来除以输入矩形池区域和计算每个区域的平均值。	是的	是的	是的
`globalAveragePooling2dLayer`(深度学习工具箱)	全球平均池层执行采样下来通过计算平均高度和宽度尺寸的输入。	是的	是的	是的
`globalMaxPooling2dLayer`(深度学习工具箱)	全球最大池层执行采样下来通过计算的最大高度和宽度尺寸的输入。	是的	是的	是的
`maxPooling2dLayer`(深度学习工具箱)	马克斯池层执行采样下来除以输入矩形池区域,并计算每个区域的最大。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^®和生成的代码。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unpools马克斯池的输出层。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)。	是的	是的	没有

结合层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`additionLayer`(深度学习工具箱)	除了一层来自多个神经网络的输入层element-wise补充道。	是的	是的	是的
`concatenationLayer`(深度学习工具箱)	连接层需要的输入并将它们连接指定的尺寸。	是的	是的	没有
`depthConcatenationLayer`(深度学习工具箱)	深度连接层需要输入,有相同的高度和宽度和连接他们的第三个维度(通道尺寸)。	是的	是的	是的

对象检测层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`anchorBoxLayer`(计算机视觉工具箱)	锚箱层商店锚箱用于目标检测的特征映射网络。	是的	是的	是的
`depthToSpace2dLayer`(图像处理工具箱)	一个二维空间的深度层排列的数据深度尺寸的二维空间数据块。	是的	是的	是的
`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	是的
`spaceToDepthLayer`(图像处理工具箱)	空间深度层排列的空间块的输入深度维度。使用这一层,当你需要结合不同大小的特征图谱不丢弃任何特性数据。	是的	是的	是的
`ssdMergeLayer`(计算机视觉工具箱)	SSD合并图层合并的输出特性为后续的回归和分类地图损失计算。	是的	是的	没有
`rcnnBoxRegressionLayer`(计算机视觉工具箱)	一盒回归层改进边界框的位置通过使用一个光滑的L1损失函数。使用这一层创建一个快速或更快R-CNN对象检测网络。	是的	是的	是的
`rpnClassificationLayer`(计算机视觉工具箱)	地区建议网络(RPN)分类层分类的图像区域对象或背景通过使用一个交叉熵损失函数。使用这一层创建一个更快R-CNN对象检测网络。	是的	是的	是的
`YOLOv2OutputLayer`(计算机视觉工具箱)	创建输出层YOLO v2意思对象检测网络。	是的	是的	是的
`YOLOv2ReorgLayer`(计算机视觉工具箱)	创建重组层YOLO v2意思对象检测网络。	是的	是的	是的
`YOLOv2TransformLayer`(计算机视觉工具箱)	创建转换层YOLO v2意思对象检测网络。	是的	是的	是的

输出层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`classificationLayer`(深度学习工具箱)	一个分类层计算交叉熵损失与互斥类多分类问题。	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	是的
`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	是的
`输出层`(深度学习工具箱)	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
`pixelClassificationLayer`(计算机视觉工具箱)	一个像素分类层提供了一个为每个图像像素或体素分类标签。	是的	是的	是的
`rcnnBoxRegressionLayer`(计算机视觉工具箱)	一盒回归层改进边界框的位置通过使用一个光滑的L1损失函数。使用这一层创建一个快速或更快R-CNN对象检测网络。	是的	是的	是的
`regressionLayer`(深度学习工具箱)	一层回归计算half-mean-squared-error损失回归问题。	是的	是的	是的
`rpnClassificationLayer`(计算机视觉工具箱)	地区建议网络(RPN)分类层分类的图像区域对象或背景通过使用一个交叉熵损失函数。使用这一层创建一个更快R-CNN对象检测网络。	是的	是的	是的
`sigmoidLayer`(深度学习工具箱)	乙状结肠层乙状结肠函数适用于输入。	是的	是的	是的
`softmaxLayer`(深度学习工具箱)	softmax层softmax函数适用于输入。	是的	是的	是的

自定义Keras层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`nnet.keras.layer.ClipLayer`(深度学习工具箱)	剪辑上下界之间的输入。	是的	是的	没有
`nnet.keras.layer.FlattenCStyleLayer`(深度学习工具箱)	平激活成一维假设c风格的(行)。	是的	是的	是的
`nnet.keras.layer.GlobalAveragePooling2dLayer`(深度学习工具箱)	全球平均池为空间数据层。	是的	是的	是的
`nnet.keras.layer.PreluLayer`(深度学习工具箱)	参数修正线性单元。	是的	是的	没有
`nnet.keras.layer.SigmoidLayer`(深度学习工具箱)	乙状结肠活化层。	是的	是的	是的
`nnet.keras.layer.TanhLayer`(深度学习工具箱)	双曲正切活化层。	是的	是的	是的
`nnet.keras.layer.TimeDistributedFlattenCStyleLayer`(深度学习工具箱)	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	没有
`nnet.keras.layer.ZeroPadding2dLayer`(深度学习工具箱)	零填充层为二维输入。	是的	是的	是的

自定义ONNX层

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`nnet.onnx.layer.ClipLayer`(深度学习工具箱)	剪辑上下界之间的输入。	是的	是的	没有
`nnet.onnx.layer.ElementwiseAffineLayer`(深度学习工具箱)	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`(深度学习工具箱)	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	没有
`nnet.onnx.layer.FlattenLayer`(深度学习工具箱)	趋于平缓的输入张量通道的空间维度的维度。	是的	是的	是的
`nnet.onnx.layer.GlobalAveragePooling2dLayer`(深度学习工具箱)	全球平均池为空间数据层。	是的	是的	是的
`nnet.onnx.layer.IdentityLayer`(深度学习工具箱)	层实现ONNX标识符。	是的	是的	是的
`nnet.onnx.layer.PreluLayer`(深度学习工具箱)	参数修正线性单元。	是的	是的	没有
`nnet.onnx.layer.SigmoidLayer`(深度学习工具箱)	乙状结肠活化层。	是的	是的	是的
`nnet.onnx.layer.TanhLayer`(深度学习工具箱)	双曲正切活化层。	是的	是的	是的
`nnet.onnx.layer.VerifyBatchSizeLayer`(深度学习工具箱)	验证固定批量大小。	是的	是的	是的

自定义图层

层的名字描述 cuDNN TensorRT 臂计算库马里GPU

层的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`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。学习如何定义自定义层深度学习,明白了定义定制的深度学习层(深度学习工具箱)和定义定制的深度学习层代码生成(深度学习工具箱)。例如如何生成代码与自定义一个网络层,明白了代码生成对象检测使用YOLO v3意思深入学习。自定义层的输出必须固定大小的数组。使用`“统一”`随着`MallocMode`在`coder.gpuConfig`需要额外的内存拷贝导致较慢的性能。对于自定义图层,推荐使用`“离散”`模式。GPU内存分配的更多信息,请参阅离散和管理模式 cuDNN同时支持行存储和列金宝app为主的目标代码生成自定义层。TensorRT目标只支持列为主的金宝app代码生成。对于代码生成、自定义层必须包含`% # codegen`编译指示。代码生成序列网络包含自定义层和LSTM或格勒乌层不支持。金宝app 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app`dlarray`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	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。

学习如何定义自定义层深度学习,明白了定义定制的深度学习层(深度学习工具箱)和定义定制的深度学习层代码生成(深度学习工具箱)。

例如如何生成代码与自定义一个网络层,明白了代码生成对象检测使用YOLO v3意思深入学习。

自定义层的输出必须固定大小的数组。

使用“统一”随着MallocMode在coder.gpuConfig需要额外的内存拷贝导致较慢的性能。对于自定义图层,推荐使用“离散”模式。GPU内存分配的更多信息,请参阅离散和管理模式

cuDNN同时支持行存储和列金宝app为主的目标代码生成自定义层。TensorRT目标只支持列为主的金宝app代码生成。

对于代码生成、自定义层必须包含% # codegen编译指示。

代码生成序列网络包含自定义层和LSTM或格勒乌层不支持。金宝app

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

没有

金宝app支持类

下面的代码生成的类支持GPU编码器为目标深度学习库中金宝app指定的表。

的名字	描述	cuDNN	TensorRT	臂计算库马里GPU
`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app`InputNames`和`OutputNames`属性。代码生成不支持金宝app`dlnetwork`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`向量和输入图像序列。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。代码生成支持金宝app`dlnetwork`cuDNN和TensorRT目标。代码生成不支持金宝app`dlnetwork`对手臂马里的目标。针对TensorRT时`INT8`精度,最后一层的网络必须是`softmaxLayer`层。代码生成支持那金宝app`dlnetworks`。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	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`(激光雷达工具箱)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
`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
`ssdObjectDetector`(计算机视觉工具箱)	使用SSD-based探测器检测对象。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。边界框可能不会数值仿真结果相匹配。	是的	是的	没有
`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 高度、宽度、通道和批量大小的输入图像必须固定大小。最小批量大小的值传递给检测方法必须固定大小。	是的	是的	是的
`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 高度、宽度、通道和批量大小的输入图像必须固定大小。最小批量大小的值传递给检测方法必须固定大小。	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`,`MiniBatchSize`名称-值对的`检测`都受支持金宝app。	是的	是的	没有