金宝app支持网络，层，和类- MATLAB和Simulink金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

金宝app支持的网络、层和类

金宝app支持Pretrained网络

GPU编码器™支持序列金宝app和有向无环图(DAG)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支撑层．您可以使用深度学习工具箱™在CPU、GPU或多个GPU上训练卷积神经网络，或使用表中列出的预训练网络之一并生成CUDA^®密码

网络名称	描述	cuDNN	坦索特	臂^®马里GPU的计算图书馆
阿列克斯内特	AlexNet卷积神经网络。有关预训练的AlexNet模型，请参见`阿列克斯内特`（深度学习工具箱）．的语法`alexnet（'Weights'，'none'）`不支持代码生成金宝app。	对	对	对
Caffe网络	来自Caffe的卷积神经网络模型。有关从Caffe导入预训练网络的信息，请参阅`importCaffeNetwork`（深度学习工具箱）．	对	对	对
Darknet-19	Darknet-19卷积神经网络。有关更多信息，请参见`darknet19`（深度学习工具箱）．的语法`深色19（“重量”，“无”）`不支持代码生成金宝app。	对	对	对
黑暗-53	Darknet-53卷积神经网络。有关更多信息，请参阅`darknet53`（深度学习工具箱）．的语法`深色53（“重量”，“无”）`不支持代码生成金宝app。	对	对	对
深海实验室v3+	DeepLab v3+卷积神经网络。有关更多信息，请参阅`deeplabv3plusLayers`(计算机视觉工具箱)．	对	对	没有
densenet - 201	DenseNet-201卷积神经网络。关于预先训练的DenseNet-201模型，请看`densenet201`（深度学习工具箱）．的语法`densenet201(“重量”、“没有”)`不支持代码生成金宝app。	对	对	对
效率网-b0	efficient -b0卷积神经网络。关于预先训练过的EfficientNet-b0模型，请参见`efficientnetb0`（深度学习工具箱）．的语法`efficientnetb0(“重量”、“没有”)`不支持代码生成金宝app。	对	对	对
GoogLeNet	GoogLeNet卷积神经网络。有关预训练的GoogLeNet模型，请参见`水壶`（深度学习工具箱）．的语法`谷歌网（‘重量’，‘无’）`不支持代码生成金宝app。	对	对	对
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`inceptionresnetv2`（深度学习工具箱）．	对	对	没有
Inception-v3	Inception-v3卷积神经网络。关于预训练的Inception-v3模型，请参见`接收v3`（深度学习工具箱）．的语法`接收v3（'Weights'，'none'）`不支持代码生成金宝app。	对	对	对
Mobilenet-v2	MobileNet-v2卷积神经网络。有关预培训的MobileNet-v2型号，请参阅`mobilenetv2`（深度学习工具箱）．的语法`mobilenetv2（'权重'，'无'）`不支持代码生成金宝app。	对	对	对
NASNet-Large	大型卷积神经网络。关于预先训练的NASNet-Large模型，请参见`纳斯内特拉格`（深度学习工具箱）．	对	对	没有
NASNet移动	NASNet移动卷积神经网络。有关预训练的NASNet移动模型，请参见`nasnetmobile`（深度学习工具箱）．	对	对	没有
ResNet	ResNet-18, ResNet-50和ResNet-101卷积神经网络。关于预先训练的ResNet模型，请参见`resnet50`（深度学习工具箱），`resnet18`（深度学习工具箱）,`resnet101`（深度学习工具箱）．的语法`resnetXX(“重量”、“没有”)`不支持代码生成金宝app。	对	对	对
赛格网	多类像素分割网络。有关更多信息，请参见`segnetLayers`(计算机视觉工具箱)．	对	对	没有
挤压网	小型深度神经网络。对于预先训练过的SqueezeNet模型，请看`挤压网`（深度学习工具箱）．的语法`squeezenet(“重量”、“没有”)`不支持代码生成金宝app。	对	对	对
VGG-16	VGG-16卷积神经网络。对于预先训练的VGG-16模型，请参见`vgg16`（深度学习工具箱）．的语法`vgg16（‘重量’、‘无’）`不支持代码生成金宝app。	对	对	对
VGG-19	VGG-19卷积神经网络。有关预训练VGG-19模型，请参阅`vgg19`（深度学习工具箱）．的语法`vgg19（“重量”，“无”）`不支持代码生成金宝app。	对	对	对
Xception	异常卷积神经网络。有关预训练的异常模型，请参阅`xception`（深度学习工具箱）．的语法`xception(“重量”、“没有”)`不支持代码生成金宝app。	对	对	对
约洛v2	你只看一次基于卷积神经网络的物体检测器。有关更多信息，请参见`yolov2Layers`(计算机视觉工具箱)	对	对	对

金宝app支撑层

GPU编码器支持以下层为表中指定的目标深度学习库生金宝app成代码。

输入层

层的名字描述 cuDNN 坦索特马里GPU的ARM计算库

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`图像输入层`（深度学习工具箱）	图像输入层将二维图像输入到网络并应用数据规范化。不支持代码生成金宝app`“正常化”`使用函数句柄指定。	对	对	对
`序列输入层`（深度学习工具箱）	序列输入层将序列数据输入到网络。 cuDNN库支持矢量和二维图像序列。金宝appTensorRT库仅支持矢量输入序列。对于矢量序列输入，在代码生成过程中，特征的数量必须是常数。对于图像序列输入，在代码生成期间，通道的高度、宽度和数量必须是一个常量。不支持代码生成金宝app`“正常化”`使用函数句柄指定。	对	对	没有
`特征输入层`（深度学习工具箱）	特征输入层将特征数据输入到网络，并进行数据规范化。	对	对	对

图像输入层（深度学习工具箱）

图像输入层将二维图像输入到网络并应用数据规范化。

不支持代码生成金宝app“正常化”使用函数句柄指定。

对

序列输入层（深度学习工具箱）

序列输入层将序列数据输入到网络。

cuDNN库支持矢量和二维图像序列。金宝appTensorRT库仅支持矢量输入序列。

对于矢量序列输入，在代码生成过程中，特征的数量必须是常数。

对于图像序列输入，在代码生成期间，通道的高度、宽度和数量必须是一个常量。

不支持代码生成金宝app“正常化”使用函数句柄指定。

对

没有

特征输入层（深度学习工具箱）

特征输入层将特征数据输入到网络，并进行数据规范化。

对

卷积和全连接层

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`convolution2dLayer`（深度学习工具箱）	二维卷积层将滑动卷积滤波器应用于输入。	对	对	对
`fullyConnectedLayer`（深度学习工具箱）	一个完全连接的层将输入乘以一个权重矩阵，然后添加一个偏置向量。	对	对	没有
`groupedConvolution2dLayer`（深度学习工具箱）	二维分组卷积层将输入通道分成若干组并应用滑动卷积滤波器。使用分组卷积层进行通道可分离（也称为深度可分离）卷积。具有以下特性的二维分组卷积层不支持ARM-GPU的代码生成：金宝app`NumGroups`属性集为`“channel-wise”`或大于2的值。	对	对	对
`transposedConv2dLayer`（深度学习工具箱）	转置的二维卷积层对特征地图进行上采样。	对	对	对

序列层

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`bilstmLayer`（深度学习工具箱）	双向LSTM (BiLSTM)层学习时间序列或序列数据的时间步长之间的双向长期依赖关系。当您希望网络在每个时间步骤中从完整的时间序列中学习时，这些依赖项可能会很有用。对于代码生成`状态激活函数`属性必须设置为`的双曲正切`．对于代码生成`网关激活功能`属性必须设置为`“乙状结肠”`．	对	对	没有
`flattenLayer`（深度学习工具箱）	扁平层将输入的空间维度折叠为通道维度。	对	没有	没有
`gruLayer`（深度学习工具箱）	GRU层学习时间序列和序列数据中时间步之间的依赖关系。代码生成只支持金宝app`“乘法运算后”`和`“乘法后的重复性偏差”`重置门模式。	对	对	没有
`第一层`（深度学习工具箱）	LSTM层学习时间序列和序列数据中时间步长之间的长期依赖关系。对于代码生成`状态激活函数`属性必须设置为`的双曲正切`．对于代码生成`网关激活功能`属性必须设置为`“乙状结肠”`．	对	对	没有
`sequenceFoldingLayer`（深度学习工具箱）	序列折叠层将一批图像序列转换为一批图像。使用序列折叠层对图像序列的时间步独立进行卷积运算。	对	没有	没有
`序列输入层`（深度学习工具箱）	序列输入层将序列数据输入到网络。 cuDNN库支持矢量和二维图像序列。金宝appTensorRT库仅支持矢量输入序列。对于矢量序列输入，在代码生成过程中，特征的数量必须是常数。对于图像序列输入，在代码生成期间，通道的高度、宽度和数量必须是一个常量。不支持代码生成金宝app`“正常化”`使用函数句柄指定。	对	对	没有
`sequenceUnfoldingLayer`（深度学习工具箱）	序列展开层还原输入数据在序列折叠后的序列结构。	对	没有	没有
`字嵌入层`(文本分析工具箱)	单词嵌入层将单词索引映射到向量。	对	对	没有

激活层

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`剪纸机`（深度学习工具箱）	被裁剪的ReLU层执行一个阈值操作，其中任何小于0的输入值都被设置为0，任何高于剪裁天花板被设置在了天花板上。	对	对	对
`eluLayer`（深度学习工具箱）	ELU激活层对正输入执行恒等式运算，对负输入执行指数非线性运算。	对	对	没有
`leakyReluLayer`（深度学习工具箱）	一个泄漏的ReLU层执行一个阈值操作，其中任何小于零的输入值乘以一个固定标量。	对	对	对
`reluLayer`（深度学习工具箱）	ReLU层对输入的每个元素执行一个阈值操作，其中任何小于零的值都被设置为零。	对	对	对
`softplusLayer`(强化学习工具箱)	一个`软杀伤`是实现softplus激活的深层神经网络层Y= log(1 + e^X），确保输出始终为正。	对	对	没有
`tanhLayer`（深度学习工具箱）	双曲正切(tanh)激活层将tanh函数应用于层输入。	对	对	对

标准化、退出和裁剪图层

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`批处理规范化层`（深度学习工具箱）	批处理规范化层通过一个小批处理规范化每个输入通道。	对	对	对
`crop2dLayer`（深度学习工具箱）	二维裁剪层将二维裁剪应用于输入。	对	对	对
`crossChannelNormalizationLayer`（深度学习工具箱）	信道本地响应(跨信道)归一化层执行信道归一化。	对	对	对
`dropoutLayer`（深度学习工具箱）	退出层以给定的概率将输入元素随机设置为零。	对	对	对
`缩放层`(强化学习工具箱)	演员或评论家网络的缩放层。的值用于代码生成`“规模”`和`“偏见”`属性必须具有相同的维度。	对	对	对

池化层和非池化层

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`平均池2层`（深度学习工具箱）	平均池化层通过将输入划分为矩形池化区域并计算每个区域的平均值来执行向下采样。	对	对	对
`GlobalAveragePoolg2Dlayer`（深度学习工具箱）	全局平均池层通过计算输入的高度和宽度维度的平均值来执行下采样。	对	对	对
`globalMaxPooling2dLayer`（深度学习工具箱）	全局最大池化层通过计算输入的最大高度和宽度维度来执行向下采样。	对	对	对
`maxPooling2dLayer`（深度学习工具箱）	最大池化层通过将输入划分为矩形池化区域，并计算每个区域的最大值来进行向下采样。	对	对	对
`MaxUnpolling2dlayer`（深度学习工具箱）	最大取消冷却层取消冷却最大池层的输出。	对	对	没有

组合层

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`additionLayer`（深度学习工具箱）	加法层以元素的方式增加来自多个神经网络层的输入。	对	对	对
`concatenationLayer`（深度学习工具箱）	连接层接受输入并沿指定的维度连接它们。	对	对	没有
`depthConcatenationLayer`（深度学习工具箱）	深度级联层接受具有相同高度和宽度的输入，并沿第三维(通道维)将它们级联。	对	对	对

对象检测层

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`锚定层`(计算机视觉工具箱)	锚定框层存储用于对象检测网络的特征地图的锚定框。	对	对	对
`focalLossLayer`(计算机视觉工具箱)	焦点损失层使用焦点损失预测对象类。	对	对	对
`spaceToDepthLayer`（图像处理工具箱）	空间到深度层将输入的空间块置换为深度维度。当您需要在不丢弃任何特征数据的情况下组合不同大小的特征图时，可以使用此层。	对	对	对
`ssdMergeLayer`(计算机视觉工具箱)	SSD合并层将特征图的输出进行合并，用于后续的回归和分类损失计算。	对	对	没有
`回归层`(计算机视觉工具箱)	盒回归层通过使用平滑的L1损失函数来改进包围盒的位置。使用这一层创建一个快速或更快的R-CNN对象检测网络。	对	对	对
`rpnClassificationLayer`(计算机视觉工具箱)	区域建议网络（RPN）分类层将图像区域分类为对象或背景通过交叉熵损失函数。使用这一层创建一个更快的R-CNN对象检测网络。	对	对	对
`YOLOv2OutputLayer`(计算机视觉工具箱)	为YOLO v2对象检测网络创建输出层。	对	对	对
`YOLOv2ReorgLayer`(计算机视觉工具箱)	为YOLO v2对象检测网络创建重组层。	对	对	对
`卵黄转移膜`(计算机视觉工具箱)	为YOLO v2对象检测网络创建变换层。	对	对	对

输出层

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`分类层`（深度学习工具箱）	分类层计算具有互斥类的多类分类问题的交叉熵损失。	对	对	对
`dicePixelClassificationLayer`(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。	对	对	对
`focalLossLayer`(计算机视觉工具箱)	焦点损失层使用焦点损失预测对象类。	对	对	对
`输出层`（深度学习工具箱）	使用创建的所有输出层，包括自定义分类或回归输出层`nnet.layer.ClassificationLayer`或`nnet.layer.RegressionLayer`．有关显示如何定义自定义分类输出图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）．有关显示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）．	对	对	对
`pixelClassificationLayer`(计算机视觉工具箱)	像素分类层为每个图像像素或体素提供分类标签。	对	对	对
`回归层`(计算机视觉工具箱)	盒回归层通过使用平滑的L1损失函数来改进包围盒的位置。使用这一层创建一个快速或更快的R-CNN对象检测网络。	对	对	对
`regressionLayer`（深度学习工具箱）	回归层计算回归问题的半均方误差损失。	对	对	对
`rpnClassificationLayer`(计算机视觉工具箱)	区域建议网络（RPN）分类层将图像区域分类为对象或背景通过交叉熵损失函数。使用这一层创建一个更快的R-CNN对象检测网络。	对	对	对
`乙状结肠`（深度学习工具箱）	sigmoid层将sigmoid函数应用于输入。	对	对	对
`软MaxLayer`（深度学习工具箱）	softmax层对输入端应用softmax功能。	对	对	对

Keras和ONNX图层

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`nnet.keras.layer.FlattleCstyleLayer`（深度学习工具箱）	假设c风格(行为主)顺序，将激活压成一维。	对	对	对
`nnet.keras.layer.GlobalAveragePooling2dLayer`（深度学习工具箱）	空间数据的全局平均池层。	对	对	对
`nnet.keras.layer.SigmoidLayer`（深度学习工具箱）	乙状激活层。	对	对	对
`nnet.keras.layer.TanhLayer`（深度学习工具箱）	双曲正切活化层。	对	对	对
`nnet.keras.layer.ZeroPadding2dLayer`（深度学习工具箱）	用于二维输入的零填充层。	对	对	对
`nnet.onnx.layer.ElementwiseAffineLayer`（深度学习工具箱）	层，对输入执行按元素缩放，然后添加。	对	对	对
`nnet.onnx.layer.flattlayer`（深度学习工具箱）	将输入张量的空间维度展平为通道维度。	对	对	对
`nnet.onnx.layer.IdentityLayer`（深度学习工具箱）	实现ONNX标识运算符的层。	对	对	对

自定义图层

层的名字描述 cuDNN 坦索特马里GPU的ARM计算库

层的名字	描述	cuDNN	坦索特	马里GPU的ARM计算库
`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。要了解如何定义自定义深度学习层，请参见定义自定义深度学习层（深度学习工具箱）和定义用于代码生成的自定义深度学习层（深度学习工具箱）．有关如何为具有自定义层的网络生成代码的示例，请参见使用YOLO v3深度学习的目标检测代码生成．自定义图层的输出必须是固定大小的数组。使用`“统一”`随着`马洛基模式`在`coder.gpuConfig`需要额外的内存副本，导致性能较慢。对于自定义层，建议使用`“离散”`模式。有关GPU内存分配的更多信息，请参见离散模式和管理模式 cuDNN目标支持为自定义层金宝app生成行主代码和列主代码。TensorRT目标仅支持列主代码生成。对于代码生成，自定义层必须包含`%#编码基因`布拉格马。不支持包含自定义层和LSTM或GRU层的序列网络的代码生成。金宝app 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^®．	对	对	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。

要了解如何定义自定义深度学习层，请参见定义自定义深度学习层（深度学习工具箱）和定义用于代码生成的自定义深度学习层（深度学习工具箱）．

有关如何为具有自定义层的网络生成代码的示例，请参见使用YOLO v3深度学习的目标检测代码生成．

自定义图层的输出必须是固定大小的数组。

使用“统一”随着马洛基模式在coder.gpuConfig需要额外的内存副本，导致性能较慢。对于自定义层，建议使用“离散”模式。有关GPU内存分配的更多信息，请参见离散模式和管理模式

cuDNN目标支持为自定义层金宝app生成行主代码和列主代码。TensorRT目标仅支持列主代码生成。

对于代码生成，自定义层必须包含%#编码基因布拉格马。

不支持包含自定义层和LSTM或GRU层的序列网络的代码生成。金宝app

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^®．

对

没有

金宝app支持类

GPU编码器支持以下类为表中指定的目标深度学习库生成金宝app代码。

名称	描述	cuDNN	坦索特	马里GPU的ARM计算库
`DAGNetwork`（深度学习工具箱）	用于深度学习的有向无环图（DAG）网络只有`激活`，`预测`,`分类`方法是受支持的。金宝app	对	对	对
`数据链路网络`（深度学习工具箱）	深度学习网络自定义训练循环代码生成只支持金宝app`InputNames`和`输出名称`属性。不支持代码生成金宝app`数据链路网络`没有输入层的对象。代码生成的`数据链路网络`对象与`序列输入层`对象不受支持。金宝app 代码生成只支持金宝app`预测`目标函数。这个`dlarray`输入到`预测`方法必须是`仅有一个的`数据类型。	对	对	没有
`SeriesNetwork`（深度学习工具箱）	深度学习系列网络只有`激活`，`分类`，`预测`，`预测和更新房地产`，`分类与更新房地产`,`重置状态`支持对象函数。金宝app	对	对	对
`ssdObjectDetector`(计算机视觉工具箱)	对象使用基于ssd的检测器检测对象。只有`发现`(计算机视觉工具箱)方法`ssdObjectDetector`用于代金宝app码生成。的`roi`辩论`发现`方法必须是codegen常量(`coder.const ()`)和一个1x4矢量。只有`门槛`，`选择最强的`，`米西`，`最大尺寸`,`MiniBatchSize`支持名称-值对。金宝app所有名称-值对必须是编译时常量。输入图像的通道和批次大小必须为固定大小。的`标签`输出作为分类数组返回。在生成的代码中，输入被缩放到网络的输入层的大小。但是这个边界框`发现`方法返回的值参照原始输入大小。边界框在数值上可能与模拟结果不匹配。	对	对	没有
`yolov2ObjectDetector`(计算机视觉工具箱)	使用YOLO v2对象检测器检测对象只有`发现`(计算机视觉工具箱)方法`yolov2ObjectDetector`用于代金宝app码生成。的`roi`辩论`发现`方法必须是codegen常量(`coder.const ()`)和一个1x4矢量。只有`门槛`，`选择最强的`，`米西`，`最大尺寸`,`MiniBatchSize`支持名称-值对。金宝app 输入图像的高度、宽度、通道和批处理大小必须是固定大小。检测方法通过的最小批大小值必须是固定尺寸。标签输出作为字符向量的单元数组返回，例如{'car'，'bus'}。	对	对	对