深度学习网络的代码生成
此示例演示如何为使用深度学习的图像分类应用程序执行代码生成codegen命令，生成MEX函数，该函数使用MobileNet-v2、ResNet和GoogLeNet等图像分类网络运行预测。
第三方先决条件
要求
此示例生成CUDA MEX，并具有以下第三方要求。
支持CUDA®的NVIDIA®GPU和兼容驱动程序。
可选
对于非MEX构建，如静态、动态库或可执行文件，此示例具有以下附加要求。
NVIDIA工具包。
NVIDIA cuDNN图书馆。
编译器和库的环境变量。有关详细信息，请参阅第三方硬件和设置必备产品下载188bet金宝搏．
验证GPU环境
使用coder.checkGpuInstall函数来验证运行此示例所需的编译器和库是否已正确设置。
envCfg=coder.gpuEnvConfig(“主持人”）;envCfg。DeepLibTarget =“cudnn”；envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);
美孚预测入口点函数
MobileNet-v2是一个卷积神经网络，在ImageNet数据库的100多万张图像上进行训练。该网络有155层深度，可以将图像分为1000个对象类别，如键盘、鼠标、铅笔和许多动物。该网络的图像输入尺寸为224 × 224。使用分析网络(深度学习工具箱)用于显示深度学习网络体系结构的交互式可视化功能。
网= mobilenetv2 ();analyzeNetwork(净);
的mobilenetw2_predict.m入口点函数接收图像输入，并使用预训练的MobileNet-v2卷积神经网络对图像进行预测。该函数使用持久对象mynet加载系列网络对象并重用持久对象，以便对后续调用进行预测。
类型(“mobilenetw2\u predict.m”）
%版权所有2017-2019 MathWorks，Inc.函数out=mobilenetv2_predict（in）%#codegen persistent mynet；如果isempty（mynet）mynet=coder.loadDeepLearningNetwork（'mobilenetv2'，'mobilenetv2'）；end%传入输出=mynet.predict（in）；
运行MEX代码生成
生成的CUDA代码美孚预测入口点函数，为MeX目标创建GPU代码配置对象，并将目标语言设置为C++。coder.DeepLearningConfig函数创建一个CuDNN的深度学习配置对象，并将其分配给深度学习配置图形处理器代码配置对象的属性。运行codegen命令并指定输入大小[224,224,3]。该值对应于MobileNet-v2网络的输入层大小。
cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”; cfg.DeepLearningConfig=coder.DeepLearningConfig(“cudnn”）;codegen配置cfg美孚预测arg游戏{1 (224224 3)}-报告
代码生成成功:查看报告
生成的代码描述
系列网络是作为一个c++类生成的，包含155个层类和函数，用于设置、调用预测和清理网络。
类b_mobilenetv2_0｛．..．public:b_mobilenetv2_0（）；void setup（）；void predict（）；void cleanup（）；~b_mobilenetv2_0（）；}；
的设置()类的方法为网络对象的每一层设置句柄并分配内存预测()该方法对网络中的155层中的每一层执行预测。
的入口点函数mobilenetv2_predict ()在生成的代码文件中mobilenetv2_predict.cu构造静态对象b_mobilenetv2类类型并调用此网络对象上的设置和预测。
静态b_mobilenetv2_0mynet静止的布尔值mynet_not_empty；
/*函数定义*/无效的mobilenetv2\u预测（常量实输入[150528]，实输出[1000]）｛如果（! mynet_not_empty) {DeepLearningNetwork_设置（&mynet）；mynet_not_empty=true；}
/*通过输入*/ DeepLearningNetwork_predict(&mynet, in, out);｝
二进制文件导出的层与参数，如完全连接和卷积层在网络。例如，文件cnn_mobilenetv2_conv*_w和cnn_mobilenetv2_conv*_b对应于网络中卷积层的权值和偏置参数。要查看生成的文件列表，请使用:
dir (fullfile (pwd,“codegen”，墨西哥人的，“mobilenetv2_predict”))
运行生成的MEX
加载输入图像。
我= imread (“peppers.png”)(imshow);；
调用mobilenetv2\u predict\u mex在输入图像上。
Im = imresize(Im， [224,224]);predict_scores = mobilenetv2_predict_mex(双(im));
获得前五名的预测得分和他们的标签。
[分数,indx] =排序(predict_scores“下”）;一会= net.Layers .ClassNames(结束);classNamesTop =一会(indx (1:5));h =图;h.Position (3) = 2 * h.Position (3);ax₁=情节(1、2、1);ax2 =情节(1、2、2);图像(ax₁,im);barh (ax2,分数(5:1:1))包含(ax2,“概率”)yticklabels（ax2，类名top（5:-1:1））ax2.YAxisLocation=“对”；sgtitle (“使用MobileNet-v2的五大预测”）
清除加载到内存中的静态网络对象。
清晰的墨西哥人；
基于ResNet-50网络的图像分类
您还可以使用DAG网络ResNet-50进行图像分类。深度学习工具箱的ResNet-50支持包中提供了一个针对MATLAB的预训练ResNet-50模型。要下载和安装支持包，请使用加载项资源管理器。要了解有关查找和安装加载项的更多信息，请参阅金宝app获取和管理附加组件．
净=resnet50；显示（净）
带有属性的DAGNetwork: Layers: [177×1 nnet.cnn.layer.Layer] Connections: [192×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_fc1000'}
运行MEX代码生成
生成的CUDA代码resnet_predict.m入口点函数，为MeX目标创建GPU代码配置对象，并将目标语言设置为C++。resnet50函数加载网络并对输入图像执行预测。
cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”; cfg.DeepLearningConfig=coder.DeepLearningConfig(“cudnn”）;codegen配置cfgresnet_predictarg游戏{1 (224224 3)}-报告
代码生成成功:查看报告
调用resnet_predict_mex在输入图像上。
预测分数=resnet\u predict\u mex（双倍（im））；
获得前五名的预测得分和他们的标签。
[分数,indx] =排序(predict_scores“下”）;一会= net.Layers .ClassNames(结束);classNamesTop =一会(indx (1:5));h =图;h.Position (3) = 2 * h.Position (3);ax₁=情节(1、2、1);ax2 =情节(1、2、2);图像(ax₁,im);barh (ax2,分数(5:1:1))包含(ax2,“概率”)yticklabels（ax2，类名top（5:-1:1））ax2.YAxisLocation=“对”；sgtitle (“使用ResNet-50的五大预测”）
清除加载到内存中的静态网络对象。
清晰的墨西哥人；
基于GoogLeNet (Inception)网络的图像分类
深度学习工具箱中的GoogLeNet支持包中有一个用于MATLAB的预先训练的GoogLeNet模型。金宝app要下载和安装支持包，请使用Add-On Explorer金宝app。要了解有关查找和安装附加组件的更多信息，请参见获取和管理附加组件．
网= googlenet;disp(净)
具有属性的DAG网络：层：[144×1 nnet.cnn.layer.layer]连接：[170×2表]输入名称：{'data'}输出名称：{'output'}
运行MEX代码生成
生成CUDA代码googlenet_predict.m入口点函数。这个入口点函数调用水壶函数加载网络并对输入图像执行预测。要生成此入口点函数的代码，请为MEX目标创建GPU配置对象。
cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”; cfg.DeepLearningConfig=coder.DeepLearningConfig(“cudnn”）;codegen配置cfg古格伦arg游戏{1 (224224 3)}-报告
代码生成成功:查看报告
调用谷歌网在输入图像上。
Im = imresize(Im， [224,224]);predict_scores = googlenet_predict_mex(双(im));
获得前五名的预测得分和他们的标签。
[分数,indx] =排序(predict_scores“下”）;一会= net.Layers .ClassNames(结束);classNamesTop =一会(indx (1:5));h =图;h.Position (3) = 2 * h.Position (3);ax₁=情节(1、2、1);ax2 =情节(1、2、2);图像(ax₁,im);barh (ax2,分数(5:1:1))包含(ax2,“概率”)yticklabels（ax2，类名top（5:-1:1））ax2.YAxisLocation=“对”；sgtitle (“使用谷歌网的五大预测”）
清除加载到内存中的静态网络对象。
清晰的墨西哥人；
另请参阅
功能
coder.checkGpuInstall|codegen|coder.DeepLearningConfig|coder.loadDeepLearningNetwork|mobilenetv2(深度学习工具箱)|resnet50(深度学习工具箱)|水壶(深度学习工具箱)
对象
coder.gpuConfig|coder.CodeConfig|编码器。EmbeddedCodeConfig|coder.gpuEnvConfig|coder.CuDNNConfig|编码程序。TensorRTConfig
相关的话题
您还可以从以下列表中选择网站：
