第三方的先决条件

要求

本例生成CUDA MEX，并具有以下第三方需求。

可选

对于非mex构建，如静态、动态库或可执行程序，此示例具有以下附加要求。

验证GPU环境

使用coder.checkGpuInstall(GPU编码器)函数来验证运行此示例所需的编译器和库是否已正确设置。

envCfg = code . gpuenvconfig (“主机”）;envCfg。DeepLibTarget =“cudnn”；envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);

的lstmnet_predict入口点函数

序列到序列的LSTM网络使您能够对数据序列的每个时间步做出不同的预测。的lstmnet_predict.m入口点函数接受输入序列，并将其传递给经过训练的LSTM网络进行预测。具体来说，该函数使用的是训练好的LSTM网络利用深度学习对序列进行分类的例子。对象加载网络对象lstmnet_predict.mat文件保存到持久变量中，并在后续的预测调用中重用持久对象。

要显示网络体系结构的交互式可视化和有关网络层的信息，请使用analyzeNetwork函数。

类型(“lstmnet_predict.m”）

函数out = lstmnet_predict(in) %#codegen %版权所有if isempty(mynet) mynet = code . loaddeeplearningnetwork ('lstmnet.mat');End %传入输入输出= predict(mynet,in);

生成CUDA MEX

生成CUDA MEXlstmnet_predict.m入口点函数，创建一个GPU配置对象并指定目标为MEX。将目标语言设置为c++。创建一个深度学习配置对象，将目标库指定为cuDNN。将该深度学习配置对象附加到GPU配置对象上。

cfg = code .gpu config (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;

在编译时，GPU Coder™必须知道入口点函数的所有输入的数据类型。对象的输入参数的类型和大小codegen(MATLAB编码器)命令。coder.typeof(MATLAB编码器)函数。对于本例，输入是双数据类型，特征维值为3，序列长度可变。指定序列长度为可变大小，使我们能够对任意长度的输入序列执行预测。

matrixInput = code .typeof(double(0)，[3 Inf]，[false true]);

运行codegen命令。

codegen配置cfglstmnet_predictarg游戏{matrixInput}报告

代码生成成功:查看报告

在测试数据上运行生成的MEX

加载HumanActivityValidateMAT-file。这个mat文件存储变量XValidate其中包含传感器读数的时间序列样本，您可以在其上测试生成的代码。调用lstmnet_predict_mex在第一次观察中。

负载HumanActivityValidateYPred1 = lstmnet_predict_mex(XValidate{1});

YPred1是一个5 × 53888的数字矩阵，它包含五个类对于53888时间步长的概率。对于每个时间步，通过计算最大概率的指数来找到预测的类。

[~， maxIndex] = max(YPred1， []， 1);

将最大概率的指标与相应的标签关联起来。显示前十个标签。从结果中，你可以看到网络预测人类在前十个时间步骤中是坐着的。

标签=类别({“跳舞”，“奔跑”，“坐”，“站”，“走”});predictedLabels1 = labels(maxIndex);disp (predictedLabels1(1:10)”)

坐，坐，坐，坐，坐，坐，坐，坐，坐，坐

比较预测和测试数据

使用图表将MEX输出数据与测试数据进行比较。

图绘制(predictedLabels1,“。”）;持有在情节(YValidate {1});持有从包含(“时间步”) ylabel (“活动”)标题(“预测活动”)传说([“预测”“测试数据”]）

在不同序列长度的观察上调用生成MEX

调用lstmnet_predict_mex用不同的序列长度进行第二次观察。在这个例子中，XValidate {2}序列长度为64480，而XValidate {1}序列长度为53888。生成的代码正确地处理预测，因为我们将序列长度维度指定为可变大小。

YPred2 = lstmnet_predict_mex(XValidate{2});[~， maxIndex] = max(YPred2， []， 1);predictedLabels2 = labels(maxIndex);disp (predictedLabels2(1:10)”)

坐，坐，坐，坐，坐，坐，坐，坐，坐，坐

生成包含多个观察结果的MEX

如果希望一次对多个观察结果执行预测，可以将观察结果分组在一个单元格数组中，并传递该单元格数组进行预测。单元格数组必须是列单元格数组，并且每个单元格必须包含一个观察结果。每个观测必须具有相同的特征维度，但序列长度可能不同。在这个例子中，XValidate包含五个观察结果。生成一个MEX，可以取XValidate作为输入，将输入类型指定为5 × 1的单元格数组。此外，指定每个单元格的类型与matrixInput，即您为前面的单个观察指定的类型codegen命令。

matrixInput = code .typeof(double(0)，[3 Inf]，[false true]);cellInput = coder。typeof({matrixInput}， [5 1]);codegen配置cfglstmnet_predictarg游戏{cellInput}报告

代码生成成功:查看报告

YPred3 = lstmnet_predict_mex(XValidate);

输出是一个5乘1的单元格数组，对传入的5个观测结果进行预测。

disp (YPred3)

{5×53888 single} {5×64480 single} {5×53696 single} {5×56416 single} {5×50688 single}

使用有状态LSTM生成MEX

我们不需要在一个步骤中传递整个时间序列来进行预测，而是可以利用函数，通过每次输入一个时间步骤来运行预测predictAndUpdateState该函数接受一个输入，产生一个输出预测，并更新网络的内部状态，以便未来的预测考虑到这个初始输入。

入口点功能lstmnet_predict_and_update.m方法接受单时间步输入并处理该输入predictAndUpdateState函数。predictAndUpdateState输出对输入时间步长的预测并更新网络，以便后续输入被视为相同样本的后续时间步。每次传入一个时间步骤之后，结果输出与所有时间步骤作为单个输入传入时相同。

类型(“lstmnet_predict_and_update.m”）

函数out = lstmnet_predict_and_update(in) %#codegen %版权所有if isempty(mynet) mynet = code . loaddeeplearningnetwork ('lstmnet.mat');end % pass in input [mynet, out] = predictAndUpdateState(mynet,in);

在这个新设计文件上运行codegen。由于每次调用都采用单一的时间步，因此我们指定matrixInput用固定的序列尺寸1代替可变的序列长度。

matrixInput = code .typeof(double(0)，[3 1]);codegen配置cfglstmnet_predict_and_updatearg游戏{matrixInput}报告

代码生成成功:查看报告

在第一个验证示例的第一个时间步上运行生成的MEX。

firstSample = XValidate{1};firstTimestep = firstSample(:，1);YPredStateful = lstmnet_predict_and_update_mex(firstTimestep);[~， maxIndex] = max(YPredStateful， []， 1);predictedLabelsStateful1 = labels(maxIndex)

predictedLabelsStateful1 =分类坐着

比较输出标签和基本事实值。

YValidate {1} (1)

ans =分类坐着