打开深度网络量化器应用程序。

deepNetworkQuantizer

在应用程序中，单击新并选择导入dlquantizer对象．

在对话框中，选择dlquantizer要从基本工作区导入的对象。对于本例，使用quantObj你在上面的例子中创建的量化GPU目标的神经网络。

应用程序导入包含在dlquantizer在命令行收集的对象。这些数据可以包括要量化的网络、校准数据、验证数据和校准统计信息。

该应用程序显示一个表格，其中包含导入的校准数据dlquantizer对象,quantObj．在表格的右侧，应用程序显示了参数的动态范围的直方图。直方图的灰色区域表示不能用量化表示的数据。有关如何解释这些直方图的详细信息，请参见深度神经网络的量化．

在当前工作文件夹中创建一个名为getLogoNetwork.m．在文件中输入:

函数net = getLogoNetwork如果~ isfile (“LogoNet.mat”) url =“//www.tatmou.com/金宝appsupportfiles/gpucoder/cnn_models/logo_detection/LogoNet.mat”；websave (“LogoNet.mat”url);结束数据=负载(“LogoNet.mat”）;Net = data.convnet;结束

加载预训练的网络。

snet = getLogoNetwork;

snet = SeriesNetwork with properties: Layers: [22×1 nnet.cnn.layer.Layer] InputNames: {'imageinput'} OutputNames: {'classoutput'}

定义用于量化的校准和验证数据。

该应用程序使用校准数据来训练网络，并收集卷积和网络全连接层中权重和偏差的动态范围。该应用程序还在LogoNet网络的所有层中练习激活的动态范围。为了获得最佳量化结果，校准数据必须代表LogoNet网络的输入。

量化后，应用程序使用验证数据集对网络进行测试，以了解网络中卷积层的量化可学习参数的有限范围和精度的影响。

在本例中，使用logos_dataset数据集来校准和验证LogoNet网络。定义一个augmentedImageDatastore对象调整网络数据的大小。然后，将数据分成校准和验证数据集。

的子集，加快校准和验证过程calibrationData而且validationData．存储新的简化校准数据集calibrationData_concise和新的减少验证数据集validationData_concise．

curDir = pwd;newDir = fullfile(matlabroot，“例子”，“deeplearning_shared”，“数据”，“logos_dataset.zip”）;拷贝文件(newDir curDir);解压缩(“logos_dataset.zip”）;imageData = imageDatastore(fullfile(curDir，“logos_dataset”)，.．.“IncludeSubfolders”,真的,“FileExtensions”，“jpg”，“LabelSource”，“foldernames”）;[calibrationData, validationData] = splitEachLabel(imageData, 0.5，“随机”）;calibrationdata_simplify = calibrationdata .子集(1:20);validationdata_简明= vaidationdata .子集(1:1);

在MATLAB命令提示符下，打开深度网络量化器应用程序。

deepNetworkQuantizer

点击新并选择量化网络．

应用程序验证您的执行环境。

从基本工作空间选择要量化的执行环境和网络。在本例中，选择FPGA执行环境和串联网络snet．

该应用程序显示所选网络的层图。

在校准部分的应用程序工具条，在校准数据，选择augmentedImageDatastore包含校准数据的基本工作空间中的calibrationData_concise．

点击校准．

的深度网络量化器App使用校准数据对网络进行训练，为网络层中可学习的参数收集距离信息。

当校准完成时，应用程序会显示一个表，其中包含卷积和网络全连接层中的权重和偏差。还显示了网络各层激活的动态范围及其校准期间的最小值和最大值。该应用程序显示参数动态范围的直方图。直方图的灰色区域表示不能用量化表示的数据。有关如何解释这些直方图的详细信息，请参见深度神经网络的量化．

在数字转换表的列，表示是否量化该层中的可学习参数。你不能量化不是卷积层的层。未量化的层保持单精度。

在验证部分的应用程序工具条，在验证数据，选择augmentedImageDatastore包含验证数据的基本工作区中的validationData_concise．

在硬件设置部分，从表中列出的选项中进行选择:

当你选择Intel Arria 10 SoC (arria10soc_int8)，Xilinx ZCU102 (zcu102_int8),或Xilinx ZC706 (zc706_int8)选项，选择用于部署和验证量化网络的接口。的目标接口选项列在该表中。

对于本例，选择Xilinx ZCU102 (zcu102_int8)中,选择以太网，输入单板IP地址。

在验证部分的应用程序工具条，在量化的选择，选择默认的度量函数。

点击量化和验证．

的深度网络量化器App将网络中卷积层的权重、激活和偏差量化为缩放的8位整型数据类型，并使用验证数据来练习网络。该应用程序根据被量化的网络类型确定用于验证的度量函数。

验证完成后，应用程序会显示验证结果，包括:

如果您想使用不同的度量函数进行验证，例如使用Top-5精度度量函数而不是默认的Top-1精度度量函数，您可以定义一个自定义度量函数。将此函数保存到本地文件中。

函数准确性= hComputeAccuracy(predictionScores, net, dataStore)计算模型级精度统计信息%负载地面真实值tmp = readall(dataStore);groundTruth = tmp.response;%比较预测标签与实际情况predictionError = {};为idx=1:数字(groundTruth) [~， idy] = max(predictionScores(idx，:));yActual = net.Layers(end).Classes(idy);predictionError{end+1} = (yActual == groundTruth(idx));% #好吧结束求和所有的预测误差。predictionError = [predictionError{:}];精度= sum(predictionError)/numel(predictionError);结束

要使用此自定义度量函数重新验证网络，请按量化的选择，输入自定义度量函数的名称hComputeAccuracy．选择添加添加hComputeAccuracy到应用程序中可用的度量函数列表。选择hComputeAccuracy作为度量函数来使用。

自定义度量函数必须在路径上。如果度量函数不在路径上，这一步将产生一个错误。

点击量化和验证．

该应用程序量化网络，并显示自定义度量函数的验证结果。

应用程序在验证结果表中只显示标量值。要查看具有非标量输出的自定义度量函数的验证结果，请导出dlquantizer对象，然后使用验证函数在MATLAB命令窗口。

在对网络进行量化验证后，可以选择导出量化后的网络。

单击出口按钮。在下拉列表中选择出口数字转换器要创建dlquantizer基本工作区中的对象。您可以将量化网络部署到目标FPGA板上，并使用MATLAB检索预测结果。看到的,部署量化网络示例(深度学习HDL工具箱)．