第三方的先决条件

要求

可选

对于非mex构建，如静态、动态库或可执行文件，本例有以下附加要求。

这个例子不支持在MATLAB®联机。金宝app

预训练的变分自编码器网络

自动编码器有两部分:编码器和解码器。编码器接收图像输入并输出压缩表示(编码)，这是一个大小向量latent_dim，在本例中等于20。解码器获取压缩的表示，解码它，并重新生成原始图像。

vie与常规自动编码器的不同之处在于，它们不使用编码-解码过程来重构输入。相反，他们在潜在空间上施加一个概率分布，并学习这个分布，以便解码器输出的分布与观测数据的分布相匹配。然后，他们从这个分布中抽取样本，生成新的数据。

这个例子使用在训练变分自动编码器(VAE)生成图像的例子。要自己训练网络，看训练变分自动编码器(VAE)生成图像(深度学习工具箱)．

生成evae入口点函数

的generateVAE入口点函数加载dlnetwork将trainedDecoderVAENet mat -文件中的对象转换为持久变量，并在后续的预测调用中重用该持久对象。它初始化一个dlarray对象包含25个随机生成的编码，将它们通过解码器网络，并从深度学习数组对象中提取生成图像的数值数据。

类型(“generateVAE.m”）

function generatedImage = generateVAE(decoderNetFileName,latentDim,Environment) %#codegen % Copyright 2020-2021 The MathWorks, Inc. persistent decoderNet;如果是空的(decoderNet) decoderNet = coder.loadDeepLearningNetwork(decoderNetFileName);end %生成随机噪声randomNoise = dlarray(randn(1,1,latentDim,25，'single')，'SSCB');如果code .target('MATLAB') && strcmp(Environment，'gpu') randomNoise = gpuArray(randomNoise);end %从噪声生成新图像generatedImage = sigmoid(predict(decoderNet,randomNoise));%从dlarray中提取数值数据generatedImage = extractdata(generatedImage);结束

评估入口点函数

评估generateVAE入口点函数生成数字图像并绘制结果。

latentDim = 20;matfile =“trainedDecoderVAENet.mat”；Env ='＇；图()标题(数字生成样本- MATLAB) generatedImageML = generateVAE(matfile, latentDim, Env);imshow (imtile (generatedImageML,“ThumbnailSize”, [100100]))

生成墨西哥人的功能

的MEX函数generateVAE入口点函数，为MEX目标创建代码配置对象，并将目标语言设置为c++。使用编码器。DeepLearningConfig函数创建一个MKL-DNN深度学习配置对象，并将其分配给DeepLearningConfig属性。

cfg = coder.config (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“mkldnn”）;args = {coder.Constant(matfile)， coder.Constant(latentDim)， coder.Constant(Env)};codegen配置cfgarg游戏arg游戏generateVAE报告

代码生成成功:查看报告

运行生成的MEX

调用生成的MEX并显示结果。

图()标题(“使用MKL-DNN生成数字样本”) generatedImage = generateVAE_mex(matfile, latentDim, Env);imshow (imtile (generatedImage,“ThumbnailSize”, [100100]))