主要内容

代码生成支持的网络和层金宝app

MATLAB®编码器™金宝app支持序列、有向无环图(DAG)和循环卷积神经网络(cnn或ConvNets)的代码生成。您可以为任何经过训练的卷积神经网络生成代码，其层支持代码生成。金宝app看到金宝app支持层．

金宝app支持的预训练网络

下面是深度学习工具箱™中提供的预训练网络，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。有关预训练的AlexNet模型，请参见alexnet(深度学习工具箱)．

 是的 是的
DarkNet DarkNet-19和DarkNet-53卷积神经网络。有关预训练的暗网模型，请参见darknet19(深度学习工具箱)而且darknet53(深度学习工具箱)． 是的 是的
densenet - 201

DenseNet-201卷积神经网络。预训练的DenseNet-201模型请参见densenet201(深度学习工具箱)．

 是的 是的
EfficientNet-b0

卷积神经网络。有关预训练的EfficientNet-b0模型，请参见efficientnetb0(深度学习工具箱)．

 是的 是的
GoogLeNet

GoogLeNet卷积神经网络。有关预训练的GoogLeNet模型，请参见googlenet(深度学习工具箱)．

 是的 是的
Inception-ResNet-v2

Inception-ResNet-v2卷积神经网络。有关预训练的Inception-ResNet-v2模型，请参见inceptionresnetv2(深度学习工具箱)．

 是的 是的
Inception-v3 Inception-v3卷积神经网络。有关预训练的Inception-v3模型，请参见inceptionv3(深度学习工具箱)． 是的 是的
MobileNet-v2

MobileNet-v2卷积神经网络。有关预训练的MobileNet-v2模型，请参见mobilenetv2(深度学习工具箱)．

 是的 是的
NASNet-Large

NASNet-Large卷积神经网络。有关预训练的NASNet-Large模型，请参见nasnetlarge(深度学习工具箱)．

 是的 是的
NASNet-Mobile

NASNet-Mobile卷积神经网络。有关预训练的NASNet-Mobile模型，请参见nasnetmobile(深度学习工具箱)．

 是的 是的
ResNet

ResNet-18, ResNet-50和ResNet-101卷积神经网络。有关预训练的ResNet模型，请参见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

多类像素分割网络。有关更多信息，请参见segnetLayers(计算机视觉工具箱)．

 没有 是的
SqueezeNet

小型深度神经网络。有关预训练的SqeezeNet模型，请参见squeezenet(深度学习工具箱)．

 是的 是的
VGG-16

VGG-16卷积神经网络。预训练的vg -16模型请参见vgg16(深度学习工具箱)．

 是的 是的
VGG-19

VGG-19卷积神经网络。预训练的VGG-19模型请参见vgg19(深度学习工具箱)．

 是的 是的
Xception

卷积神经网络除外。有关预训练的xcexception模型，请参见xception(深度学习工具箱)．

 是的 是的

金宝app支持层

代码生成支持以下层金宝appMATLAB编码器用于表中指定的目标深度学习库。

一旦你安装了支持包金宝app深度学习库的MATLAB编码器接口，你可以使用coder.getDeepLearningLayers查看特定深度学习库支持的层列表。金宝app例如:

coder.getDeepLearningLayers (“mkldnn”）

层的名字 描述 ARM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)

平均池化层

 是的 是的 没有
batchNormalizationLayer(深度学习工具箱)

批处理规范化层

 是的 是的 没有
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)

剪切整流线性单元(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，使用PaddingValue参数必须等于0，为默认值。

 是的

是的

 是的
crop2dLayer(深度学习工具箱)

对输入应用2-D裁剪的图层

 是的 是的 没有
CrossChannelNormalizationLayer(深度学习工具箱)

信道局部响应归一化层

 是的 是的 没有

自定义图层

自定义层，包含或不包含您为问题定义的可学习参数。

看到的:

自定义层的输出必须是固定大小的数组。

序列网络中的自定义层不支持代码生成。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:

  • 自定义层已经加入dlnetwork．

  • 自定义层位于DAG或系列网络中，可以继承自nnet.layer.Formattable或者没有反向传播。

对于不支持的金宝appdlarray方法，然后必须从dlarray，进行计算，并将数据重建回dlarray用于代码生成。例如,

函数Z = predict(图层，X)如果coder.target (MATLAB的) Z = doppredict (X);其他的如果isdarray (X) X1 = extractdata(X);Z1 = doppredict (X1);Z = dlarray(Z1);其他的Z = doppredict (X);结束结束结束

是的

 是的 是的

自定义输出层

所有输出层，包括自定义分类或回归输出层nnet.layer.ClassificationLayer或nnet.layer.RegressionLayer．

有关显示如何定义自定义分类输出层和指定损失函数的示例，请参见定义自定义分类输出层(深度学习工具箱)．

有关显示如何定义自定义回归输出层和指定损失函数的示例，请参见定义自定义回归输出层(深度学习工具箱)．

是的

是的

 是的
depthConcatenationLayer(深度学习工具箱)

深度拼接层

 是的

是的

 没有
depthToSpace2dLayer(图像处理工具箱) 二维深度到空间层 是的 是的 是的
dicePixelClassificationLayer(计算机视觉工具箱)

Dice像素分类层使用广义Dice损失为每个图像像素或体素提供分类标签。

 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)

特征输入层

 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) 焦点损失层使用焦点损失预测对象类别。 是的 是的 没有
fullyConnectedLayer(深度学习工具箱)

全连接层

 是的 是的 是的
globalAveragePooling2dLayer(深度学习工具箱)

空间数据的全局平均池化层

是的

是的

 没有
globalMaxPooling2dLayer(深度学习工具箱)

2d全局最大池化层

 是的 是的 没有

groupedConvolution2dLayer(深度学习工具箱)

二维分组卷积层

  • 对于代码生成，使用PaddingValue参数必须等于0，为默认值。

是的

  • 如果指定一个整数numGroups，则该值必须小于或等于2．

是的

 没有

groupNormalizationLayer(深度学习工具箱)

组归一化层

是的

是的

是的

gruLayer(深度学习工具箱)

门控循环单元(GRU)层

是的

是的

 是的
imageInputLayer(深度学习工具箱)

图像输入层

  • 不支持代码生成金宝app“归一化”使用函数句柄指定。

 是的 是的 是的
leakyReluLayer(深度学习工具箱)

漏流整流线性单元(ReLU)层

 是的 是的 是的
lstmLayer(深度学习工具箱)

长短期记忆层

 是的 是的 是的
maxPooling2dLayer(深度学习工具箱)

最大池化层

 是的 是的 是的
maxUnpooling2dLayer(深度学习工具箱)

最大脱池层

 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)

创建像素分类层进行语义分割

 是的 是的 没有
rcnnBoxRegressionLayer(计算机视觉工具箱)

快速和快速R-CNN的盒回归层

 是的 是的 没有
rpnClassificationLayer(计算机视觉工具箱)

区域提议网络的分类层

 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)

整流线性单元(ReLU)层

 是的 是的 是的
resize2dLayer(图像处理工具箱) 2-D调整图层 是的 是的 是的
scalingLayer(强化学习工具箱) 演员或评论家网络的缩放层 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

  • 对于矢量序列输入，在代码生成过程中特征的数量必须是一个常数。

  • 不支持代码生成金宝app“归一化”使用函数句柄指定。

 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)

演员或评论家网络的软加层

 是的 是的 是的
spaceToDepthLayer(图像处理工具箱)

空间到深度层

 是的 是的 没有
ssdMergeLayer(计算机视觉工具箱)

用于对象检测的SSD合并层

 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.FlattenCStyleLayer

将激活压扁为1-D，假设c风格(行为主)顺序

是的

是的

 没有
nnet.keras.layer.GlobalAveragePooling2dLayer

空间数据的全局平均池化层

是的

是的

 没有

nnet.keras.layer.SigmoidLayer

Sigmoid激活层

是的

是的

 是的

nnet.keras.layer.TanhLayer

双曲正切激活层

是的

是的

 是的

nnet.keras.layer.ZeroPadding2dLayer

零填充层为2-D输入

是的

是的

 没有
nnet.onnx.layer.ElementwiseAffineLayer

层，该层执行按元素缩放输入，然后执行加法

 是的 是的 没有

nnet.onnx.layer.FlattenLayer

用于ONNX™网络的平层

是的

是的

 没有

nnet.onnx.layer.IdentityLayer

实现ONNX标识运算符的层

是的

是的

 是的

tanhLayer(深度学习工具箱)

双曲正切(tanh)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裁剪。金宝app例如，指定一个向量[t b l r]为“种植”参数不支持对输入的顶部、底部、左侧和右侧进行裁剪。金宝app

是的

是的

 没有

wordEmbeddingLayer(文本分析工具箱)

单词嵌入层将单词索引映射到向量

是的

是的

 没有

yolov2OutputLayer(计算机视觉工具箱)

输出层为YOLO v2对象检测网络

是的

是的

 没有

yolov2ReorgLayer(计算机视觉工具箱)

YOLO v2对象检测网络的重组层

是的

是的

 没有

yolov2TransformLayer(计算机视觉工具箱)

转换层为YOLO v2对象检测网络

是的

是的

 没有

金宝app支持类

类

描述

ARM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)网络用于深度学习

  • 只有激活，预测,分类方法。金宝app

是的

是的

是的
dlnetwork(深度学习工具箱)

用于定制训练循环的深度学习网络

  • 代码生成仅支持金宝appInputNames而且OutputNames属性。

  • 不支持代码生成金宝appdlnetwork没有输入层的对象。

  • 代码生成仅支持金宝app预测对象的功能。的dlarray输入预测方法必须为单数据类型。

  • 您可以为dlnetwork有矢量序列输入。对于ARM计算，dlnetwork可以有序列和非序列输入层。对于Intel mml - dnn，输入层必须全部为序列输入层。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。

    • 一个dlnetwork具有多个输入的对象。对于RNN网络，不支持多输入。金宝app

  • 代码生成支持MIMO金宝appdlnetworks．

是的

是的

没有
SeriesNetwork(深度学习工具箱)

深度学习系列网络

  • 只有激活，分类，预测，predictAndUpdateState，classifyAndUpdateState,resetState支持对象函数。金宝app

是的

是的

是的

yolov2ObjectDetector(计算机视觉工具箱)

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

  • 的roi的参数检测方法必须是代码生成常量(coder.const ())和一个1x4向量。

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

是的

是的

没有
ssdObjectDetector(计算机视觉工具箱)

对象，使用基于ssd的检测器检测对象。

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

  • 的roi的参数检测方法必须是编码原常量(coder.const ())和一个1x4向量。

  • 只有阈值，SelectStrongest，MinSize，最大尺寸,MiniBatchSize支持名称-值对。金宝app所有的名称-值对必须是编译时常量。

  • 输入图像的通道和批量大小必须是固定大小。

  • 的标签输出作为分类数组返回。

  • 在生成的代码中，输入被重新缩放到网络输入层的大小。但是这个包围框检测方法返回的值是参考原始输入的大小。

是的

是的

没有

另请参阅

相关的话题

MATLAB编码器文档

金宝app

试试MATLAB、Sim金宝appulink和其他产品下载188bet金宝搏

现在就去审判吧