MATLAB®编码员™金宝app支持序列、有向无环图(DAG)和循环卷积神经网络(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支持层.
以下是深度学习工具箱中提供的预训练网络™, 支持用于代码生成的。金宝app
网络名称 | 描述 | 手臂®计算库 | 英特尔®MKL-DNN |
---|---|---|---|
AlexNet |
卷积神经网络。关于预先训练的AlexNet模型,请看 |
是的 | 是的 |
DarkNet |
DarkNet-19和DarkNet-53卷积神经网络。关于预先训练的DarkNet模型,请看黑暗的19 (深度学习工具箱)和黑暗的53 (深度学习工具箱). |
是的 | 是的 |
DenseNet-201 |
DenseNet-201卷积神经网络。有关预训练的DenseNet-201模型,请参阅 |
是的 | 是的 |
EfficientNet-b0 |
EfficientNet-b0卷积神经网络。有关预训练的EfficientNet-b0模型,请参阅 |
是的 | 是的 |
GoogLeNet |
卷积神经网络。关于预先训练的GoogLeNet模型,请看 |
是的 | 是的 |
Inception-ResNet-v2 |
Inception-ResNet-v2卷积神经网络。关于预训练的Inception-ResNet-v2模型,请参见 |
是的 | 是的 |
Inception-v3 |
Inception-v3卷积神经网络。关于预训练的Inception-v3模型,请参见inceptionv3 (深度学习工具箱). |
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 |
是的 | 是的 |
NASNet-Large |
NASNet大型卷积神经网络。有关预训练的NASNet大型模型,请参阅 |
是的 | 是的 |
NASNet-Mobile |
移动卷积神经网络。关于预先训练的NASNet-Mobile模型,请参见 |
是的 | 是的 |
ResNet |
ResNet-18、ResNet-50和ResNet-101卷积神经网络。有关预训练的ResNet模型,请参阅 |
是的 | 是的 |
SegNet |
多类逐像素分割网络。有关更多信息,请参阅 |
没有 | 是的 |
SqueezeNet |
小型深度神经网络。关于预先训练的SqeezeNet模型,请看 |
是的 | 是的 |
VGG-16 |
VGG-16卷积神经网络。有关预训练VGG-16模型,请参阅 |
是的 | 是的 |
VGG-19 |
vgg19卷积神经网络。关于预先训练的VGG-19模型,请参见 |
是的 | 是的 |
例外 |
卷积神经网络除外。关于预先训练的exception模型,请参见 |
是的 | 是的 |
下面的层是由金宝appMATLAB编码器用于表中指定的目标深度学习库。
一旦安装了支持包金宝app面向深度学习库的MATLAB编码接口,你可以使用coder.getDeepLearningLayers
查看特定深度学习库所支持的层的列表。金宝app例如:
coder.getDeepLearningLayers(“mkldnn”)
图层名称 | 描述 | 臂计算库 | 英特尔MKL-DNN | 通用的C / c++ |
---|---|---|---|---|
附加层 (深度学习工具箱) |
附加层 |
是的 | 是的 | 是的 |
anchorBoxLayer (计算机视觉工具箱) |
锚箱层 |
是的 | 是的 | 没有 |
averagePooling2dLayer (深度学习工具箱) |
平均池层 |
是的 | 是的 | 没有 |
batchNormalizationLayer (深度学习工具箱) |
批处理规范化层 |
是的 | 是的 | 没有 |
bilstmLayer (深度学习工具箱) |
双向LSTM层 | 是的 | 是的 | 是的 |
classificationLayer (深度学习工具箱) |
创建分类输出层 |
是的 | 是的 | 是的 |
clippedReluLayer (深度学习工具箱) |
削波整流线性单元(ReLU)层 |
是的 | 是的 | 没有 |
连接层 (深度学习工具箱) |
连接层 |
是的 | 是的 | 没有 |
convolution2dLayer (深度学习工具箱) |
二维卷积层
|
是的 | 是的 |
没有 |
crop2dLayer (深度学习工具箱) |
对输入应用二维裁剪的图层 |
是的 | 是的 | 没有 |
CrossChannelNormalizationLayer (深度学习工具箱) |
通道局部响应规范化层 |
是的 | 是的 | 没有 |
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。 看到的:
自定义层的输出必须是固定大小的数组。 代码生成不支持顺序网络中的自定义层。金宝app 对于代码生成,自定义层必须包含 |
是的 |
是的 | 是的 |
自定义输出层 |
所有输出层,包括使用创建的自定义分类或回归输出层 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 |
深度连接层 (深度学习工具箱) |
深度连接层 |
是的 | 是的 |
没有 |
depthToSpace2dLayer (图像处理工具箱) |
二维深度到空间层 | 是的 | 是的 | 是的 |
DicePixelsClassificationLayer (计算机视觉工具箱) |
Dice像素分类层使用广义Dice损失为每个图像像素或体素提供分类标签。 |
是的 | 是的 | 没有 |
落花人 (深度学习工具箱) |
漏层 |
是的 | 是的 | 是的 |
淋溶层 (深度学习工具箱) |
指数线性单位(ELU)层 |
是的 | 是的 | 没有 |
featureInputLayer (深度学习工具箱) |
特性输入层 |
是的 | 是的 | 是的 |
压扁层 (深度学习工具箱) |
展平层 |
是的 | 是的 | 没有 |
聚焦层 (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 | 没有 |
完全连接层 (深度学习工具箱) |
全连通层 |
是的 | 是的 | 是的 |
globalAveragePooling2dLayer (深度学习工具箱) |
空间数据的全局平均池层 |
是的 |
是的 |
没有 |
GlobalMapooling2DLayer (深度学习工具箱) |
二维全局最大池化层 |
是的 | 是的 | 没有 |
|
二维分组卷积层
|
是的
|
是的 |
没有 |
|
门控循环单元(GRU)层 |
是的 |
是的 |
是的 |
imageInputLayer (深度学习工具箱) |
图像输入层
|
是的 | 是的 | 是的 |
漏泄层 (深度学习工具箱) |
泄漏整流线性单元(ReLU)层 |
是的 | 是的 | 没有 |
lstmLayer (深度学习工具箱) |
长短期记忆(LSTM)层 |
是的 | 是的 | 是的 |
maxPooling2dLayer (深度学习工具箱) |
马克斯池层 |
是的 | 是的 | 没有 |
maxUnpooling2dLayer (深度学习工具箱) |
马克斯unpooling层 |
没有 | 是的 | 没有 |
multiplicationLayer (深度学习工具箱) |
乘法层 |
是的 | 是的 | 是的 |
像素分类层 (计算机视觉工具箱) |
创建像素分类层用于语义分割 |
是的 | 是的 | 没有 |
rcnnBoxRegressionLayer (计算机视觉工具箱) |
盒回归层快速和更快的R-CNN |
是的 | 是的 | 没有 |
rpnClassificationLayer (计算机视觉工具箱) |
区域提议网络分类层 |
是的 | 是的 | 没有 |
海退层 (深度学习工具箱) |
创建一个回归输出层 |
是的 | 是的 | 是的 |
雷卢耶 (深度学习工具箱) |
整流线性单元(ReLU)层 |
是的 | 是的 | 是的 |
resize2dLayer (图像处理工具箱) |
二维调整层 | 是的 | 是的 | 是的 |
scalingLayer (强化学习工具箱) |
演员或评论家网络的缩放层 | 是的 | 是的 | 没有 |
sigmoidLayer (深度学习工具箱) |
乙状结肠层 | 是的 | 是的 | 是的 |
序列折叠层 (深度学习工具箱) |
层序褶皱层 | 是的 | 是的 | 没有 |
sequenceInputLayer (深度学习工具箱) |
序列输入层
|
是的 | 是的 | 是的 |
序列展开层 (深度学习工具箱) |
序列展开层 | 是的 | 是的 | 没有 |
softmaxLayer (深度学习工具箱) |
Softmax层 |
是的 | 是的 |
是的 |
软杀伤 (强化学习工具箱) |
演员或评论家网络的Softplus层 |
是的 | 是的 | 是的 |
spaceToDepthLayer (图像处理工具箱) |
距深层 |
是的 | 是的 | 没有 |
ssdMergeLayer (计算机视觉工具箱) |
用于目标检测的SSD合并层 |
是的 | 是的 | 没有 |
|
假设c风格(行为主)顺序,将激活扁平化为一维 |
是的 |
是的 |
没有 |
nnet.keras.layer.GlobalAveragePoolg2Dlayer |
空间数据的全局平均池层 |
是的 |
是的 |
没有 |
|
乙状结肠活化层 |
是的 |
是的 |
没有 |
|
双曲正切激活层 |
是的 |
是的 |
没有 |
|
用于二维输入的零填充层 |
是的 |
是的 |
没有 |
nnet.onnx.layer.ElementwiseAffineLayer |
层,对输入执行按元素缩放,然后添加 |
是的 | 是的 | 没有 |
|
ONNX的展平层™ 网络 |
是的 |
是的 |
没有 |
|
实现ONNX标识操作符的层 |
是的 |
是的 |
没有 |
|
双曲正切(tanh)层 |
是的 |
是的 |
是的 |
|
转置二维卷积层 代码生成不支持输入的不对称裁剪。金宝app例如,指定一个向量 |
是的 |
是的 |
没有 |
|
单词嵌入层将单词索引映射到向量 |
是的 |
是的 |
没有 |
|
YOLO v2目标检测网络的输出层 |
是的 |
是的 |
没有 |
|
YOLO v2目标检测网络的重组层 |
是的 |
是的 |
没有 |
|
YOLO v2对象检测网络的变换层 |
是的 |
是的 |
没有 |
类 |
描述 |
臂计算库 |
英特尔MKL-DNN |
通用的C / c++ |
---|---|---|---|---|
DAGNetwork (深度学习工具箱) |
深度学习的有向无环图(DAG)网络
|
是的 |
是的 |
是的 |
dlnetwork (深度学习工具箱) |
定制训练循环的深度学习网络
|
是的 |
是的 |
没有 |
系列网络 (深度学习工具箱) |
深度学习系列网络
|
是的 |
是的 |
是的 |
|
|
是的 |
是的 |
没有 |
SSD探测器 (计算机视觉工具箱) |
对象使用基于SSD的检测器检测对象。
|
是的 |
是的 |
没有 |