第三方先决条件

必需的

可选的

对于非MEX构建，例如静态，动态库或可执行文件，此示例具有以下其他要求。

验证GPU环境

要验证正确设置用于运行此示例的编译器和库是否正确设置Coder.CheckgPuinstall功能。

envcfg = coder.gpuenvconfig（'主持人'）；envcfg.deeplibtarget ='cudnn';envcfg.deepcodegen = 1;envcfg.quiet = 1;coder.checkgpuinstall（envcfg）;

预处理的变异自动编码器网络

自动编码器有两个部分：编码器和解码器。编码器获取图像输入并输出压缩表示（编码），该表示是大小的向量litent_dim在此示例中等于20。解码器采用压缩表示，解码并重新创建原始图像。

VAE与常规自动编码器不同，因为它们不使用编码编码过程来重建输入。取而代之的是，它们在潜在空间上施加了概率分布，并了解分布以使解码器的输出分布与观察到的数据匹配。然后，他们从此分布中取样以生成新​​数据。

此示例使用在火车变异自动编码器（VAE）生成图像例子。要自己训练网络，请参阅火车变异自动编码器（VAE）生成图像（深度学习工具箱）。

生成分区的入口点功能

这生成入口点功能加载dlnetwork对象从训练有素的Decodervaenet垫子中归档到持久变量，并重用持久对象以进行后续的预测调用。它初始化Dlarray包含25种随机生成的编码的对象通过解码器网络传递，并从深度学习数组对象中提取生成图像的数字数据。

类型（'generatevae.m'）

函数生成图= generateVae（解码器，litentdim，环境）％＃codegen％版权2020-2021 The Mathworks，Inc。持续解码器；如果ISEMPTY（解码器）解码器= coder.LoadDeepLearningNetwork（解码器）;end％生成随机噪声randomnoise = dlarray（randn（1,1，latentdim，25，'single'），'sscb'）;如果coder.target（'matlab'）&& strcmp（环境，'gpu'）randomnoise = gpuarray（rando noise）;end％从噪声产生图像= sigmoid（预测（解码器，randomnoise））生成新图像）;％从dlarray生成图中提取数字数据= ExtractData（生成图）;结尾

评估入口点功能

评估生成入口点功能生成数字图像并绘制结果。

litentDim = 20;矩阵='训练Decodervaenet.mat';env ='';图（）标题（）（）“生成数字样本 -  MATLAB”）生成iMageml = generateVae（矩阵，latentdim，env）;imshow（iMtile（生成iMageml，，“缩略图”，[100,100]）））

生成Cuda Mex

为生成CUDA代码生成入口点功能，为MEX目标创建GPU代码配置对象，并将目标语言设置为C ++。使用coder.deeplearningconfig函数创建Cudnn深度学习配置对象并将其分配给深度学习GPU代码配置对象的属性。

env ='gpu';cfg = coder.gpuconfig（'Mex'）；cfg.targetlang ='C ++';cfg.deeplearningconfig = coder.deeplearningconfig（'cudnn'）；args = {coder.constant（matfile），coder.constant（latentdim），coder.constant（env）};代码根-configCFG-argsargs生成-报告

代码生成成功：查看报告

要为Tensorrt Target生成CUDA代码，请创建和使用Tensorrt深度学习配置对象而不是Cudnn配置对象。

运行生成的MEX

调用生成的CUDA MEX并显示结果。

图（）标题（）（）“生成数字样本-GPU”）生成iMageGpu = generateVae_mex（矩阵，litentdim，env）;imshow（iMtile（生成iMagegpu，，“缩略图”，[100,100]）））