基于ARM计算库的深度学习网络代码生成- MATLAB和Simulink金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

代码生成的深度学习网络手臂计算库

与MATLAB^®编码器™，您可以针对使用ARM的嵌入式平台，从一个已经训练过的卷积神经网络(CNN)生成预测代码^®支持NEON扩展的处理器。金宝app代码生成器利用了ARM计算库用于计算机视觉和机器学习。生成的代码实现了一个CNN，它具有在输入中指定的架构、层和参数SeriesNetwork(深度学习工具箱)或DAGNetwork(深度学习工具箱)网络对象。

使用以下方法生成代码:

需求

深度学习库的MATLAB编码器接口．要安装支持包，请从MATLAB金宝app中选择它附加组件菜单。
手臂计算库对于计算机视觉和机器学习必须安装在目标硬件上。
深度学习工具箱™。
编译器和库的环境变量。

请注意

本帮助主题中的示例使用的ARM计算库版本可能不是代码生成支持的最新版本。金宝app有关库受金宝app支持的版本以及有关设置环境变量的信息，请参见深度学习与MATLAB编码器的先决条件．

使用代码生成`codegen`

使用。在ARM目标上生成深度学习代码codegen：

编写一个入口点函数，加载预先训练的CNN和调用预测．例如:

函数= squeezenet_predict(中)% # codegen持续的净;opencv_linkflags =pkg-config——cflags——libs opencv "；coder.updateBuildInfo (“addLinkFlags”, opencv_linkflags);如果net = code . loaddeeplearningnetwork (“squeezenet”，“squeezenet”）;结束= net.predict(的);结束

如果您的目标硬件是Raspberry Pi™，您可以利用MATLAB支金宝app持包树莓派硬件．有了支持计划，金宝appcodegen将生成的代码移动到树莓派上，并在树莓派上构建可执行程序。当您为没有硬件支持包的目标生成代码时，您必须运行命令来移动生成的文件并构建可执行程序。金宝app
ARM目标上的深度学习代码生成不支持MEX生金宝app成。
对于ARM，对于输入预测(深度学习工具箱)附多幅图像或观测资料(N > 1),一个MiniBatchSize不支持大于1的值。金宝app指定一个MiniBatchSize为1。

树莓派上的深度学习代码生成

当你有MATLAB支金宝app持包树莓派硬件，在树莓派上生成深度学习代码:

要连接到树莓派，请使用raspi(树莓派硬件MA金宝appTLAB支持包)．例如:
```
r = raspi (“raspiname”，“用户名”，“密码”）;
```
使用以下方法为库或可执行文件创建代码生成配置对象coder.config．设置TargetLang财产“c++”．
```
cfg = coder.config (exe”）;cfg。TargetLang =“c++”；
```
使用。创建一个深度学习配置对象编码器。DeepLearningConfig．设置ArmComputeVersion和ArmArchitecture属性。设置DeepLearningConfig属性的代码生成配置对象编码器。手臂NEONConfig对象。例如:
```
dlcfg =编码器。DeepLearningConfig (“arm-compute”）;dlcfg。ArmArchitecture =v7的；dlcfg。ArmComputeVersion =“19.05”；cfg。DeepLearningConfig = dlcfg;
```
要配置树莓派的代码生成硬件设置，请创建一个编码器。硬件对象,通过使用coder.hardware．设置硬件属性的代码生成配置对象编码器。硬件对象。
```
hw = coder.hardware (“树莓π”）;cfg。硬件= hw;
```
如果您正在生成一个可执行程序，请提供一个c++主程序。例如:
```
cfg。CustomSource =“main.cpp”；
```
要生成代码，请使用codegen．属性指定代码生成配置对象配置选择。例如:
```
codegen配置cfgsqueezenet_predictarg游戏{(227、227、3,“单”)}报告
```
请注意

您可以为代码生成指定半精度输入。但是，代码生成器类型将输入强制转换为单精度。深度学习工具箱使用单精度，浮点算法在MATLAB中的所有计算。

没有硬件支持包时的代码生成金宝app

当你没有针对目标的硬件支持包时，为深度学习生成代码:金宝app

在Linux上生成代码^®主机。
为库创建配置对象。例如:
```
cfg = coder.config (“自由”）;
```
不要在可执行程序中使用配置对象。
配置代码生成以生成c++代码并只生成源代码。
```
cfg。GenCodeOnly = true;cfg。TargetLang =“c++”；
```
要使用ARM计算库指定代码生成，请创建编码器。手臂NEONConfig对象的使用编码器。DeepLearningConfig．设置ArmComputeVersion和ArmArchitecture属性。设置DeepLearningConfig属性的代码生成配置对象编码器。手臂NEONConfig对象。
```
dlcfg =编码器。DeepLearningConfig (“arm-compute”）;dlcfg。ArmArchitecture =v7的；dlcfg。ArmComputeVersion =“19.05”；cfg。DeepLearningConfig = dlcfg;
```
要配置特定于目标硬件的代码生成参数，请设置ProdHWDeviceType财产的HardwareImplementation对象。
- 对于ARMv7架构，使用“胳膊兼容- >部门皮层”．
- 对于ARMv8架构，使用ARM兼容->ARM 64位(LP64)．
例如:
```
cfg.HardwareImplementation.ProdHWDeviceType =ARM兼容->ARM 64位(LP64)；
```
要生成代码，请使用codegen．属性指定代码生成配置对象配置选择。例如:
```
codegen配置cfgsqueezenet_predictarg游戏{one (227, 227, 3， 'single')}- darm_compute
```

例如，请参见基于ARM目标的深度学习代码生成．

生成的代码

系列网络是作为一个包含层类数组的c++类生成的。

class b_squeezenet_0 {public: int32_T batchSize;int32_T numLayers;real32_T * inputData;real32_T * outputData;MWCNNLayer *层[68];私人:MWTargetNetworkImpl * targetImpl;公众:b_squeezenet_0 ();空白presetup ();空白postsetup ();无效的设置(); void predict(); void cleanup(); real32_T *getLayerOutput(int32_T layerIndex, int32_T portIndex); ~b_squeezenet_0(); };

的设置()方法为网络对象的每一层建立句柄并分配内存。的预测()方法对网络中的每一层调用预测。假设您为一个入口点函数生成代码，squeezenet_predict．在生成的“for you”文件中，squeezenet_predict.cpp，入口点函数squeeznet_predict ()构造静态对象b_squeezenet_0类类型和调用设置和预测在网络对象上。

静态b_squeezenet_0净;静态boolean_T net_not_empty;//函数定义// //持久化对象net用于加载DAGNetwork对象。//在第一次调用该函数时，构造并设置持久对象。当该函数随后被调用时，相同的对象被重用//以调用预测输入，避免重新构造和重新加载//网络对象。// Arguments: const real32_T in[154587] // real32_T out[1000] //返回类型:void // void squeezenet_predict(const real32_T in[154587]， real32_T out[1000]) {// Copyright 2018 The MathWorks，公司if (!net_not_empty) {DeepLearningNetwork_setup(&net);net_not_empty = true;} DeepLearningNetwork_predict(&net, in, out);｝

二进制文件用于具有参数的层，如网络中的全连接层和卷积层。例如，名称具有该模式的文件cnn_squeezenet_ * _w和cnn_squeezenet_ * _b对应于网络中卷积层的权值和偏差参数。

Cnn_squeezenet_conv10_b cnn_squeezenet_conv10_w cnn_squeezenet_conv1_b cnn_squeezenet_conv1_w cnn_squeezenet_fire2-expand1x1_b cnn_squeezenet_fire2-expand1x1_w cnn_squeezenet_fire2-expand3x3_b cnn_squeezenet_fire2-expand3x3_w cnn_squeezenet_fire2-squeeze1x1_b

量化深度学习网络的代码生成

看到量化深度学习网络的代码生成．

的代码生成MATLAB编码器应用程序

完成选择源文件和定义输入类型步骤。
去生成代码的一步。(跳过检查运行时问题步骤，因为使用ARM计算库生成代码时不支持MEX生成。)金宝app
集语言来c++．
指定目标ARM硬件。
如果你的目标硬件是树莓派，你安装了MATLAB支金宝app持包树莓派硬件：
- 为硬件板中,选择覆盆子π．
- 单击，进入“树莓派”设置界面更多的设置．然后,单击硬件．指定设备地址，用户名，密码,建立目录．
当你的ARM目标没有支持包时:金宝app
- 确保构建类型是静态库或动态库并选择只生成代码复选框。
- 为硬件板中,选择无-选择下面的设备．
- 为设备供应商中,选择手臂兼容．
- 为设备类型：
  - 对于ARMv7架构，请选择手臂皮层．
  - 对于ARMv8架构，选择64位(LP64)．
请注意

如果您在ARM目标上生成用于深度学习的代码，并且不使用硬件支持包，则只在Linux主机上生成代码。金宝app
在深度学习窗格中,设置目标库来臂计算．指定ARM计算库版本和ARM计算架构．
生成的代码。