将网络加载到基本工作区中进行量化。

净

属性:Layers: [68x1 nnet.cn .layer. layer]连接:[75x2表]InputNames: {'data'} OutputNames: {'new_classoutput'}

定义校准和验证数据。

该应用程序使用校准数据来运行网络，并收集网络卷积层和全连接层中权重和偏差的动态范围，以及网络各层中激活的动态范围。为了获得最佳量化结果，校准数据必须代表网络的输入。

app使用验证数据对量化后的网络进行测试，了解量化后的卷积层的可学习参数的有限范围和精度对网络的影响。

在本例中，使用MerchData定义一个augmentedImageDatastore对象来调整网络数据的大小。然后，将数据分成校准和验证数据集。

解压缩(“MerchData.zip”);imd = imageDatastore (“MerchData”,…“IncludeSubfolders”,真的,…“LabelSource”,“foldernames”);[calData, valData] = splitEachLabel(imds, 0.7，“随机”);aug_calData = augmentedImageDatastore([227 227]， calData);aug_valData = augmentedImageDatastore([227 227]， valData);

在MATLAB命令提示符下，打开app。

deepNetworkQuantizer

在应用程序中，单击新按钮。应用程序验证您的执行环境。使用深层网络量化器应用程序，你必须有一个GPU执行环境。如果没有可用的GPU，这一步将产生一个错误。

在对话框中，从基本工作区中选择要量化的网络。

选择网络后，app显示网络的层图。

在校准工具条的部分，在下面校准数据,选择augmentedImageDatastore对象，该对象来自包含校准数据的基本工作空间，calData。

点击校准。

的深层网络量化器利用标定数据对网络进行锻炼，并收集网络层中可学习参数的范围信息。

校准完成后，app会显示一个表格，包含网络卷积层和全连接层的权值和偏差，以及在校准过程中网络各层激活的动态范围和最大值和最小值。在表格的右边，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无法用量化表示的数据。有关如何解释这些直方图的更多信息，请参见深度神经网络的量化。

在数字转换列，表示是否量化层中的可学习参数。非卷积层不能量化，因此不能被选择。未量化的层在量化后仍保持单精度。

在验证工具条的部分，在下面验证数据,选择augmentedImageDatastore对象，来自包含验证数据的基本工作区，valData。

点击数字转换和验证。

的深层网络量化器将网络中卷积层的权重、激活和偏差量化为缩放的8位整数数据类型，并使用验证数据来运行网络。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，app会显示验证结果，包括:

量化和验证网络之后,您可以选择导出量化网络。

单击出口按钮。在下拉列表中，选择出口数字转换器创建一个dlquantizer对象，在基本工作区中。打开GPU编码器应用程序和生成GPU代码，从量化神经网络，选择生成代码。生成GPU代码需要GPU编码器许可证。

如果量化网络的性能不令人满意，您可以通过取消选择表中的某个层来选择不量化某些层。要查看效果，请单击数字转换和验证一次。