主要内容

基于深度神经网络库的Simulin金宝appk深度学习

使用GPU编码器™，您可以为Simulink生成优化的代码金宝app®包含各种训练过的深度学习网络的模型。您可以通过使用Simulink实现深度学习功能金宝appMATLAB函数块或通过使用块深层神经网络图书馆。这深层神经网络块库包括:

  • 预测（深度学习工具箱）block -使用通过block参数指定的训练网络预测响应。该模块允许从mat文件或MATLAB加载预先训练的网络到Simulink模型金宝app®功能。

    有关与之合作的更多信息预测块，看看基于深度学习的Simulink车道和车辆检测金宝app（深度学习工具箱）．

  • 图像分类器（深度学习工具箱）块-使用经过训练的深度学习神经网络通过块参数对数据进行分类。该模块允许从mat文件或MATLAB函数加载预先训练的网络到Simulink模型。金宝app

    有关与之合作的更多信息图像分类器块，看看使用深度学习对Simulink中的ECG信号进行金宝app分类（深度学习工具箱）．

您可以配置代码生成器以利用NVIDIA®CUDA.®深神经网络库（CUDNN）和NVIDIA GPU的Tensorrt™高性能推理库。生成的代码通过使用网络对象中指定的架构，图层和参数来实现深卷积神经网络（CNN）。

示例:使用GoogLeNet对图像进行分类

Googlenet已接受过超过一百万个图像的培训，并可将图像分类为1000个对象类别（例如键盘，咖啡杯，铅笔和动物）。该网络将图像拍摄为输入，然后用每个对象类别的概率输出图像中的对象的标签。此示例显示了如何执行仿真并为预折叠生成CUDA代码googlenet深度卷积神经网络并分类图像。佩带的网络可作为来自Deep Learning Toolbox™的支持包。金宝app

  1. 加载预先训练好的GoogLeNet网络。

    net = googlenet;

  2. 物体净包含Dagnetwork.对象。使用analyzeNetwork显示网络架构的交互式可视化，检测网络中的错误和问题，并显示关于网络层的详细信息。层信息包括层激活和可学习参数的大小，可学习参数的总数，循环层的状态参数的大小。

    分析（网）;

    分析显示Googlenet网络分析的网络应用。

  3. 您想要分类的图像必须与网络的输入大小相同。对于GoogLeNet来说，它的大小imageInputlayer.是224×224-by-3。这班级输出的财产分类层包含网络所学习的类的名称。从1000个随机类名中查看10个。

    一会= net.Layers . class(结束);numClasses =元素个数(类名);disp(类名(randperm (numClasses 10)))
    “快艇”“纱窗”“等足动物”“木勺”“口红”“德雷克”“鬣狗”“哑铃”“草莓”“奶油苹果”

创建GoogLeNet模型

  1. 创建Simulin金宝appk模型并插入一个预测街区来自深层神经网络图书馆。

  2. 加一个图片来自文件街区来自计算机视觉工具箱™图书馆并设置文件名称参数到Peppers.png.．添加A.调整街区来自电脑视觉工具箱图书馆到模型。设定指定参数的调整块到输出行数和列数并输入(224 224)作为输出行数和列数．调整大小块将输入图像的大小调整为网络的输入层的大小。添加A.到工作空间到模型并将变量名更改为yPred．

    金宝app使用googlenet包含用于对图像进行分类的模拟模型。

  3. 打开块参数（子系统）的预测块。选择网络从MATLAB函数为了网络和googlenet为了MATLAB函数．

  4. 如图所示连接这些块。将模型保存为googlenetmodel.slx.．

    金宝app显示块之间连接的Simulink模型。

配置GPU加速模型

模型配置参数确定模拟过程中使用的加速度方法。

  1. 打开配置参数对话框。打开解算器窗格。要编译你的模型加速和生成CUDA代码，配置模型使用固定步长求解器。该表显示了本示例的求解器配置。

    范围 设置 对生成代码的影响
    类型 固定步骤 维护一个常量(固定的)步长，这是代码生成所需要的
    解算器 离散(无连续状态) 应用一个固定步骤集成技术来计算模型的状态衍生
    固定的大小 汽车 金宝appsimulink选择阶梯大小

    显示用于模拟的Solver选项的配置参数对话框的快照。

  2. 选择模拟目标窗格。设定语到C ++．

  3. 选择GPU加速．GPU编码器特定的选项现在可见仿真目标> GPU加速度窗格。对于本例，可以使用这些参数的默认值。

    GPU加速窗格在模型的配置参数对话框中。

  4. 在这一点模拟目标窗格，设置目标库在深度学习集团cuDNN．您也可以选择张力．

    配置参数对话框的快照，显示模拟加速的深度学习选项。

  5. 点击好吧保存并关闭“配置参数”对话框。

    您可以使用set_param在MATLAB命令窗口中以编程方式配置模型参数。

    set_param (“googlenetModel”那'gpuacceleration'那'在'）;

构建GPU加速模型

  1. 要构建和模拟GPU加速模型，请选择跑步在模拟选项卡或使用命令：

    出= SIM（“googlenetModel”）;

    软件首先检查CUDA/ c++代码之前是否为你的模型编译过。如果代码是先前创建的，则软件运行模型。如果之前没有构建代码，软件首先生成并编译CUDA/ c++代码，然后运行模型。代码生成工具将生成的代码放在名为slprj / _slprj / googlenetModel．

  2. 以直方图的形式显示前5个预测标签及其相关的概率。由于网络将图像分类为如此多的对象类别，而且许多类别是相似的，因此在评估网络时，通常会考虑前五名的精度。该网络将图像分类为一个高概率的甜椒。

    Im = imread（“peppers.png”）;predict_coves = out.ypred.data（：，：1）;[得分，Indx] =排序（预测_coves，“下”）;topScores =分数(1:5);h = index (index, index, index, index, index, index);h.Position (3) = 2 * h.Position (3);ax₁=情节(1、2、1);ax2 =情节(1、2、2);图像(ax₁,im);barh (ax2 topScores)包含(ax2,“概率”) yticklabels (ax2 classNamesTop (5: 1:1)) ax2。YAxisLocation =“对”;sgtitle（'使用googlenet的前5名预测'）

配置代码生成模型

模型配置参数为代码生成和构建过程提供了许多选项。

  1. 在“配置参数”对话框中，选择代码生成窗格。设定系统目标文件到grt.tlc．

    您也可以使用嵌入式编码器®目标文件ert.tlc.．

  2. 设定语到C ++．

  3. 选择生成GPU的代码．

  4. 选择仅生成代码．

  5. 选择工具链．对于Linux.®平台,选择NVIDIA CUDA | gmake(64位Linux)．适用于Windows.®系统,选择NVIDIA CUDA (w/Microsoft Visual c++ 20XX) | nmake(64位windows)．

  6. 在这一点代码>报告窗格，选择创建代码生成报告和自动打开报告．

  7. 在这一点代码>界面窗格，设置目标库在深度学习集团cuDNN．您也可以选择张力．

  8. GPU编码器特定的选项在代码生成> GPU代码窗格。在本例中，可以使用默认值的gpu相关参数代码生成> GPU代码窗格。

    GPU代码窗格在模型的配置参数对话框中。

  9. 点击好吧保存并关闭“配置参数”对话框。

    你也可以使用set_param在MATLAB命令窗口中以编程方式配置模型参数。

    set_param (“googlenetModel”那“GenerateGPUCode”那CUDA的）;

为模型生成CUDA代码

  1. 在Simuli金宝appnk编辑器中，打开金宝app仿真软件编码器应用程序。

  2. 生成的代码。

消息出现在诊断查看器中。代码生成器会产生CUDA源和头文件和HTML代码生成报告。代码生成器将文件放在一个中建立文件夹，子文件夹名为googlenetModel_grt_rtw在当前工作文件夹下。

限制

  • 在Simulink中不支持基于自定义层的深度学习网络的代码生成。金宝app金宝app

  • 图形处理器代码生成MATLAB函数eventflow中的块®不支持图表。金宝app

  • 代码生成器不支持来自MATLAB语言的所有数据类型。金宝app有关受支金宝app持的数据类型，请参阅块文档。

也可以看看

功能

相关的话题

GPU编码器文档

金宝app

从MATLAB生成CUDA代码：加速GPU上的嵌入式视觉和深度学习算法

从MATLAB生成CUDA代码：加速GPU上的嵌入式视觉和深度学习算法

下载白皮书