主要内容

金宝app支持的网络、层和类

金宝app支持Pretrained网络

GPU编码器™支持序列金宝app和有向无环图(DAG)卷积神经网络(CNNs或ConvNets)的代码生成。您可以为任何训练有素的卷积神经网络生成代码,这些神经网络的层支持代码生成。金宝app看到金宝app支持的层数.您可以使用深度学习工具箱™在CPU、GPU或多个GPU上训练卷积神经网络,或使用表中列出的预训练网络之一并生成CUDA®代码。

网络名称 描述 CUDNN. 张力 手臂®马里GPU的计算图书馆

AlexNet.

亚历克网卷积神经网络。对于预折叠的AlexNet模型,请参阅alexnet(深度学习工具箱)

的语法AlexNet('权重','none')不支持代码生成金宝app。

是的

是的

是的

Caffe Network.

Caffe的卷积神经网络模型。要从Caffe导入预先训练过的网络,请参见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,请参阅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

deebplab 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

densenet - 201

DenseNet-201卷积神经网络。关于预先训练的DenseNet-201模型,请看densenet201(深度学习工具箱)

的语法densenet201('权重','none')不支持代码生成金宝app。

是的

是的

是的

EfficientNet-b0

efficient -b0卷积神经网络。关于预先训练过的EfficientNet-b0模型,请参见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。对于预磨损的googlenet模型,请参阅googlenet.(深度学习工具箱)

的语法googlenet('权重','none')不支持代码生成金宝app。

是的

是的

是的

Inception-Resnet-V2

Inception-Reset-V2卷积神经网络。对于预磨削的Inception-Resnet-V2型号,请参阅InceptionResnetv2.(深度学习工具箱)

是的

是的

Inception-V3.

Inception-V3卷积神经网络。对于预磨削的Inception-V3模型,请参阅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

v2卷积神经网络。关于预先训练过的MobileNet-v2模型,请参见MobileNetv2.(深度学习工具箱)

的语法MobileNetv2('权重','none')不支持代码生成金宝app。

是的

是的

是的

nasnet-light.

NASNet-大型卷积神经网络。对于普里雷雷达的NASNet - 大型模型,见nasnetlarge.(深度学习工具箱)

是的

是的

NASNet-Mobile

NASNET-MOBILE卷积神经网络。对于预磨损的NASNet-Mobile Model,请参阅nasnetmobile(深度学习工具箱)

是的

是的

reset.

Resnet-18,Resnet-50和Reset-101卷积神经网络。对于预用的resnet模型,请参阅resnet50(深度学习工具箱)resnet18(深度学习工具箱), 和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.

多级PixelWise分段网络。有关更多信息,请参见segnetlayers.(计算机视觉工具箱)

是的

是的

挤压

小深神经网络。对于预先磨碎的挤压型模型,请参阅挤压(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。对于普雷克vgg-16型号,看vgg16.(深度学习工具箱)

的语法vgg16('权重','none')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。对于普雷克vgg-19型号,看vgg19.(深度学习工具箱)

的语法vgg19('权重','none')不支持代码生成金宝app。

是的

是的

是的

Xception

卷积神经网络除外。关于预先训练的exception模型,请参见Xcepion.(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

您只能看一次版本2卷积神经网络的对象检测器。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支持的层数

对于表中指定的目标深度学习库,GPU Coder支金宝app持以下层进行代码生成。

输入层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

imageInputlayer.(深度学习工具箱)

图像输入层将2-D图像输入到网络并应用数据归一化。

代码生成不支持金宝app'正常化'使用函数句柄指定。

是的

是的

是的

sequenceInputlayer.(深度学习工具箱)

序列输入层将序列数据输入到网络。

CUDNN库支持向量和2-D图像序列金宝app。TensorR库仅支持载体输入序列。金宝app

对于向量序列输入,在代码生成期间必须是常数的特征数量。

对于图像序列输入,高度,宽度和通道数量在代码生成期间必须是常数。

代码生成不支持金宝app'正常化'使用函数句柄指定。

是的

是的

featureInputLayer.(深度学习工具箱)

特征输入层将特征数据输入到网络,并进行数据规范化。

是的

是的

是的

卷积和完全连接的图层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

Convolution2Dlayer.(深度学习工具箱)

二维卷积层将滑动卷积滤波器应用于输入。

是的

是的

是的

fullyConnectedLayer(深度学习工具箱)

一个完全连通的层将输入乘以一个权值矩阵,然后添加一个偏置向量。

是的

是的

groupedConvolution2dLayer(深度学习工具箱)

一个二维分组卷积层将输入通道分成组,并应用滑动卷积滤波器。使用分组卷积层进行信道可分(也称为深度可分)卷积。

ARM Mali GPU的代码生成不支持2-D分组卷积层金宝appNumGroups属性设定为“channel-wise”或者值大于两个。

是的

是的

是的

TransposedConv2dlayer.(深度学习工具箱)

转置的2-D卷积层Upsamples特征图。

是的

是的

是的

序列层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

Bilstmlayer.(深度学习工具箱)

双向LSTM (BiLSTM)层学习时间序列或序列数据的时间步长之间的双向长期依赖关系。当您希望网络在每个时间步骤中从完整的时间序列中学习时,这些依赖项可能会很有用。

对于代码生成,atteactivationFunction.属性必须设置为'tanh'

对于代码生成,GateActivationFunction属性必须设置为“乙状结肠”

是的

是的

flattenLayer(深度学习工具箱)

扁平层将输入的空间尺寸塌陷到通道尺寸中。

是的

gruLayer(深度学习工具箱)

GRU层学习时间序列和序列数据的时间步骤之间的依赖性。

代码生成仅支持金宝app'乘法后''反复间隔 - 乘法倍增'重置门模式。

是的

是的

lstmlayer.(深度学习工具箱)

LSTM层在时间序列和序列数据中的时间步骤之间学习长期依赖性。

对于代码生成,atteactivationFunction.属性必须设置为'tanh'

对于代码生成,GateActivationFunction属性必须设置为“乙状结肠”

是的

是的

sequenceFoldingLayer(深度学习工具箱)

序列折叠层将一批图像序列转换为一批图像。使用序列折叠层独立于图像序列的时间步骤执行卷积操作。

是的

sequenceInputlayer.(深度学习工具箱)

序列输入层将序列数据输入到网络。

CUDNN库支持向量和2-D图像序列金宝app。TensorR库仅支持载体输入序列。金宝app

对于向量序列输入,在代码生成期间必须是常数的特征数量。

对于图像序列输入,高度,宽度和通道数量在代码生成期间必须是常数。

代码生成不支持金宝app'正常化'使用函数句柄指定。

是的

是的

sequenceUnfoldingLayer(深度学习工具箱)

序列展开层恢复序列折叠后输入数据的序列结构。

是的

WordembeddingLayer.(文本分析工具箱)

嵌入层映射到向量中的Word Indices。

是的

是的

激活层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

思考(深度学习工具箱)

剪切的Relu层执行阈值操作,其中小于零的任何输入值被设置为零,并且在上方的任何值剪裁天花板被设置在了天花板上。

是的

是的

是的

elulayer.(深度学习工具箱)

ELU激活层对负输入上的正输入和指数非线性执行身份操作。

是的

是的

leakyReluLayer(深度学习工具箱)

一个泄漏的ReLU层执行一个阈值操作,其中任何小于零的输入值乘以一个固定标量。

是的

是的

是的

reluLayer(深度学习工具箱)

ReLU层对输入的每个元素执行一个阈值操作,其中任何小于零的值都被设置为零。

是的

是的

是的

softplusLayer(钢筋学习工具箱)

一个SoftplusLayer深层神经网络层是实现软加激活的吗Y= log(1 + eX,这确保了输出始终为正。

是的

是的

tanhLayer(深度学习工具箱)

双曲正切(tanh)激活层将tanh函数应用于层输入。

是的

是的

是的

标准化,辍学和裁剪层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

BatchnormalizationLayer.(深度学习工具箱)

批量归一化层将跨越批次的每个输入通道标准化。

是的

是的

是的

crop2dLayer(深度学习工具箱)

2-D作物层应用2-D裁剪输入。

是的

是的

是的

CrosschannelnormalizationLayer.(深度学习工具箱)

频道明智的本地响应(跨通道)归一化层执行通道明智的归一化。

是的

是的

是的

DropoutLayer.(深度学习工具箱)

丢弃层随机将输入元素随机设置为零,具有给定的概率。

是的

是的

是的

scalinglayer.(钢筋学习工具箱)

演员或评论家网络的缩放层。

的值用于代码生成'规模''偏见'属性必须具有相同的维度。

是的

是的

是的

汇集和未脱水层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

averagePooling2dLayer(深度学习工具箱)

平均池化层通过将输入划分为矩形池化区域并计算每个区域的平均值来执行向下采样。

是的

是的

是的

GlobalaveragePooling2dlayer.(深度学习工具箱)

全局平均池化层通过计算输入的高度和宽度尺寸的平均值来执行缩小采样。

是的

是的

是的

globalmaxpooling2dlayer.(深度学习工具箱)

全局最大池层通过计算输入的高度和宽度尺寸的最大值来执行缩小采样。

是的

是的

是的

maxpooling2dlayer.(深度学习工具箱)

最大池化层通过将输入划分为矩形池化区域,并计算每个区域的最大值来进行向下采样。

是的

是的

是的

maxunpooling2dlayer.(深度学习工具箱)

最大非池化层取消池化最大池化层的输出。

是的

是的

组合层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

附加学者(深度学习工具箱)

加法层以元素的方式增加来自多个神经网络层的输入。

是的

是的

是的

concationlayer.(深度学习工具箱)

级联层采用输入并沿指定的维度连接它们。

是的

是的

depthConcatenationLayer(深度学习工具箱)

深度级联层采用具有相同高度和宽度的输入,并沿着第三尺寸(通道维度)连接它们。

是的

是的

是的

对象检测层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

anchorBoxLayer(计算机视觉工具箱)

锚箱层存储用于物体检测网络中使用的特征映射的锚盒。

是的

是的

是的

focalLossLayer(计算机视觉工具箱)

焦点丢失层使用焦点丢失预测对象类。

是的

是的

是的

spacetodepthlayer.(图像处理工具箱)

空间到深度层将输入的空间块置换为深度维度。当您需要在不丢弃任何特征数据的情况下组合不同大小的特征图时,可以使用此层。

是的

是的

是的

ssdmergelayer(计算机视觉工具箱)

SSD合并图层合并用于后续回归和分类损耗计算的特征映射的输出。

是的

是的

rcnnboxregressionlayer.(计算机视觉工具箱)

通过使用平滑的L1损耗功能,盒回归层炼制边界框位置。使用此图层创建快速或更快的R-CNN对象检测网络。

是的

是的

是的

rpnClassificationLayer(计算机视觉工具箱)

区域提案网络(RPN)分类层将图像区域分类为对象要么背景通过交叉熵损失函数。使用这一层创建一个更快的R-CNN对象检测网络。

是的

是的

是的

YOLOv2OutputLayer(计算机视觉工具箱)

为Yolo V2对象检测网络创建输出层。

是的

是的

是的

yolov2reorglayer.(计算机视觉工具箱)

为YOLO V2对象检测网络创建重组层。

是的

是的

是的

YOLOv2TransformLayer(计算机视觉工具箱)

为YOLO v2对象检测网络创建变换层。

是的

是的

是的

输出层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

分类层(深度学习工具箱)

分类层计算互斥类的多级分类问题的跨熵损失。

是的

是的

是的

dicePixelClassificationLayer(计算机视觉工具箱)

骰子像素分类层为每个图像像素或体素使用广义骰子丢失提供分类标签。

是的

是的

是的

focalLossLayer(计算机视觉工具箱)

焦点丢失层使用焦点丢失预测对象类。

是的

是的

是的

输出层(深度学习工具箱)

所有输出图层都包括使用自定义分类或回归输出图层nnet.layer.classificationLayer.要么nnet.layer.RegressionLayer

有关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

pixelClassificationLayer(计算机视觉工具箱)

像素分类层为每个图像像素或体素提供分类标签。

是的

是的

是的

rcnnboxregressionlayer.(计算机视觉工具箱)

通过使用平滑的L1损耗功能,盒回归层炼制边界框位置。使用此图层创建快速或更快的R-CNN对象检测网络。

是的

是的

是的

regressionLayer(深度学习工具箱)

回归层计算回归问题的半均方误差损失。

是的

是的

是的

rpnClassificationLayer(计算机视觉工具箱)

区域提案网络(RPN)分类层将图像区域分类为对象要么背景通过交叉熵损失函数。使用这一层创建一个更快的R-CNN对象检测网络。

是的

是的

是的

sigmoidlayer.(深度学习工具箱)

s型层将s型函数应用于输入。

是的

是的

是的

softmaxlayer.(深度学习工具箱)

Softmax层将SoftMax函数应用于输入。

是的

是的

是的

Keras和Onnx层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

nnet.keras.layer.flattencstylayer.(深度学习工具箱)

假设C-Siqul(Row-Major)订单,将激活变为1-D。

是的

是的

是的

nnet.keras.layer.globalaveragePooling2dlayer.(深度学习工具箱)

用于空间数据的全局平均池化层。

是的

是的

是的

nnet.keras.layer.SigmoidLayer(深度学习工具箱)

乙状体激活层。

是的

是的

是的

nnet.keras.layer.TanhLayer(深度学习工具箱)

双曲线切线激活层。

是的

是的

是的

nnet.keras.layer.ZeroPadding2dLayer(深度学习工具箱)

用于二维输入的零填充层。

是的

是的

是的

nnet.onnx.layer.elementwiseaffinelayer.(深度学习工具箱)

层,对输入执行按元素缩放,然后添加。

是的

是的

是的

nnet.onnx.layer.FlattenLayer(深度学习工具箱)

将输入张量的空间尺寸达到通道尺寸。

是的

是的

是的

nnet.onnx.layer.identityLayer.(深度学习工具箱)

实现ONNX身份运算符的图层。

是的

是的

是的

自定义图层

层的名字 描述 CUDNN. 张力 ARM计算Mali GPU的库

自定义图层

自定义层,有或没有可学习的参数,您为您的问题定义。

要了解如何定义自定义深度学习层,请参见定义自定义深度学习层(深度学习工具箱)定义代码生成的自定义深度学习层(深度学习工具箱)

有关如何生成具有自定义图层的网络代码的示例,请参阅使用YOLO V3深度学习的对象检测的代码

自定义层的输出必须是固定大小的数组。

使用'统一'随着MallocModeCoder.gpuconfig.需要额外的内存副本,导致性能较慢。对于自定义图层,建议使用“离散”模式。有关GPU内存分配的更多信息,请参阅离散模式和管理模式

CUDNN Targets支金宝app持自定义图层的行主要和列主要代码。Tensorr Targets仅支金宝app持列主要代码生成。

对于代码生成,自定义层必须包含%#codegen.pragma。

不支持包含自定义层和LSTM或GRU层的序列网络的代码生成。金宝app

在Simulink中不支持基于自定义层的深度学习网络的代码生成金宝app金宝app®

是的

是的

金宝app支持的课程

对于表中指定的目标深度学习库,GPU Coder支持金宝app以下类生成代码。

名称 描述 CUDNN. 张力 ARM计算Mali GPU的库
Dagnetwork.(深度学习工具箱)

针对深度学习的针对非循环图(DAG)网络

  • 只有激活预测, 和分类支持方法。金宝app

是的

是的

是的

dlnetwork.(深度学习工具箱)

深度学习网络自定义训练循环

  • 代码生成仅支持金宝app输入名称OutputNames特性。

  • 代码生成不支持金宝appdlnetwork.没有输入层的对象。

  • 代码生成的dlnetwork.对象sequenceInputlayer.不支持对象。金宝app

  • 代码生成仅支持金宝app预测对象功能。的dlarray输入到预测方法必须是一个单身的数据类型。

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predictandanddatestate.classifyandupdateState., 和resetState支持对象功能。金宝app

是的

是的

是的

ssdObjectDetector(计算机视觉工具箱)

对象使用基于ssd的检测器检测对象。

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

  • ROI.对此的论点探测方法必须是Codegen常数(coder.const ())和一个1x4向量。

  • 只有临界点选择最初MinSize最大限度, 和小匹匹匹匹配支持名称值对。金宝app所有名称值对必须是编译时间常量。

  • 输入图像的通道和批量大小必须是固定的大小。

  • 标签输出作为分类数组返回。

  • 在生成的代码中,输入重新分配给网络的输入层的大小。但是那个边界框探测方法返回参考原始输入大小。

  • 边界框在数值上可能与模拟结果不匹配。

是的

是的

yolov2ObjectDetector(计算机视觉工具箱)

使用YOLO v2对象检测器检测对象

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

  • ROI.对此的论点探测方法必须是Codegen常数(coder.const ())和一个1x4向量。

  • 只有临界点选择最初MinSize最大限度, 和小匹匹匹匹配支持名称值对。金宝app

  • 输入图像的高度、宽度、通道和批处理大小必须是固定大小。

  • 检测方法通过的最小批大小值必须是固定尺寸。

  • 标签输出作为字符向量的单元格数组返回,例如{'Car','总线'}。

是的

是的

是的

另请参阅

功能

对象

相关话题