c++コード生成でサポートされているネットワークとレイヤー- MATLAB和Simu金宝applink MathWorks日本

c++コ，ド生成でサポ，トされているネットワ，クとレ

MATLAB^®编码器™は,系列ネットワーク,有向非循環グラフ(DAG)ネットワーク,再帰型畳み込みニューラルネットワーク(CNNまたは事先)のコード生成をサポートします。コード生成でサポートされている層の学習済みの畳み込みニューラルネットワークのコードを生成できます。サポ，トされている層を参照してください。

サポ，トされている事前学習済みネットワ，ク

次の事前学習済みネットワークは深度学习工具箱™で利用でき,コード生成をサポートしています。

ネットワ，ク名	説明	手臂^®计算库	英特尔^®MKL-DNN
`AlexNet`	AlexNet畳み込みニュ，ラルネットワ，ク。事前学習済みのAlexNetモデルにいては，`alexnet`(深度学习工具箱)を参照してください。	はい	はい
`DarkNet`	DarkNet-19およびDarkNet-53畳み込みニュ，ラルネットワ，ク。事前学習済みのDarkNetモデルにいては，`darknet19`(深度学习工具箱)および`darknet53`(深度学习工具箱)を参照してください。	はい	はい
`densenet - 201`	DenseNet-201畳み込みニュ，ラルネットワ，ク。事前学習済みのDenseNet-201モデルにいては，`densenet201`(深度学习工具箱)を参照してください。	はい	はい
`EfficientNet-b0`	EfficientNet-b0畳み込みニュ，ラルネットワ，ク。事前学習済みのEfficientNet-b0モデルにいては，`efficientnetb0`(深度学习工具箱)を参照してください。	はい	はい
`GoogLeNet`	GoogLeNet畳み込みニュ，ラルネットワ，ク。事前学習済みのGoogLeNetモデルにいては，`googlenet`(深度学习工具箱)を参照してください。	はい	はい
`Inception-ResNet-v2`	Inception-ResNet-v2畳み込みニュ，ラルネットワ，ク。事前学習済みのInception-ResNet-v2モデルにいては，`inceptionresnetv2`(深度学习工具箱)を参照してください。	はい	はい
`Inception-v3`	启始-v3畳み込みニュ，ラルネットワ，ク。事前学習済みのInception-v3モデルにいては，`inceptionv3`(深度学习工具箱)を参照してください。	はい	はい
`MobileNet-v2`	MobileNet-v2畳み込みニュ，ラルネットワ，ク。事前学習済みのMobileNet-v2モデルにいては`mobilenetv2`(深度学习工具箱)を参照してください。	はい	はい
`NASNet-Large`	NASNet-Large畳み込みニュ，ラルネットワ，ク。事前学習済みのNASNet-Largeモデルにいては，`nasnetlarge`(深度学习工具箱)を参照してください。	はい	はい
`NASNet-Mobile`	NASNet-Mobile畳み込みニュ，ラルネットワ，ク。事前学習済みのNASNet-Mobileモデルにいては，`nasnetmobile`(深度学习工具箱)を参照してください。	はい	はい
`ResNet`	ResNet-18, ResNet-50およびresnet - 101畳み込みニューラルネットワーク。事前学習済みのResNetモデルにいては，`resnet18`(深度学习工具箱)、`resnet50`(深度学习工具箱)および`resnet101`(深度学习工具箱)を参照してください。	はい	はい
`SegNet`	複数クラスのピクセル単位のセグメンテ，ションネットワ，ク。詳細にいては，`segnetLayers`(计算机视觉工具箱)を参照してください。	いいえ	はい
`SqueezeNet`	小規模のディ，プニュ，ラルネットワ，ク。事前学習済みのSqeezeNetモデルにいては，`squeezenet`(深度学习工具箱)を参照してください。	はい	はい
`VGG-16`	Vgg-16畳み込みニュラルネットワク。事前学習済みのvgg-16モデルにいては，`vgg16`(深度学习工具箱)を参照してください。	はい	はい
`VGG-19`	Vgg-19畳み込みニュラルネットワク。事前学習済みのvgg-19モデルにいては，`vgg19`(深度学习工具箱)を参照してください。	はい	はい
`Xception`	xcexception畳み込みニュ，ラルネットワ，ク。事前学習済みのXceptionモデルにいては，`xception`(深度学习工具箱)を参照してください。	はい	はい

サポ，トされている層

表に指定されているタゲット深層学習ラブラリにいて，次の層はMATLAB编码器によるコ，ド生成でサポ，トされています。

サポ，トパッケ，ジの深度学习库的MATLAB编码器接口をンストルすると，coder.getDeepLearningLayers。以下に例を示します。

coder.getDeepLearningLayers (“mkldnn”）

レ▪▪ヤ▪▪名	説明	ARM计算库	英特尔MKL-DNN
`additionLayer`(深度学习工具箱)	加算層	はい	はい
`anchorBoxLayer`(计算机视觉工具箱)	アンカ，ボックス層	はい	はい
`averagePooling2dLayer`(深度学习工具箱)	平均プ，リング層	はい	はい
`batchNormalizationLayer`(深度学习工具箱)	バッチ正規化層	はい	はい
`bilstmLayer`(深度学习工具箱)	双方向LSTM層	はい	はい
`classificationLayer`(深度学习工具箱)	分類出力層の作成	はい	はい
`clippedReluLayer`(深度学习工具箱)	クリップされた正規化線形ユニット(ReLU)層	はい	はい
`concatenationLayer`(深度学习工具箱)	連結層	はい	はい
`convolution2dLayer`(深度学习工具箱)	2次元畳み込み層	はい	はい
`crop2dLayer`(深度学习工具箱)	2次元切り取りを入力に適用する層	はい	はい
`CrossChannelNormalizationLayer`(深度学习工具箱)	チャネル単位の局所応答正規化層	はい	はい
カスタム層	問題に対して定義するカスタム層。学習可能パラメ，タ，の有無は任意です。以下を参照してください。カスタム深層学習層の定義(深度学习工具箱) コ，ド生成用のカスタム深層学習層の定義(深度学习工具箱) c++コ，ド生成でサポ，トされているネットワ，クとレカスタム層の出力は固定サ@ @ズの配列でなければなりません。シ，ケンスネットワ，クにおけるカスタム層はコ，ド生成でサポ，トされていません。	はい生成されたコドでは，配列デタに列優先のレアウトが使用されます。行優先の配列レアウトを使用するコドの生成はサポトされていません。	はい
カスタム出力層	`nnet.layer.ClassificationLayer`または`nnet.layer.RegressionLayer`を使用して作成される，カスタム分類出力層または回帰出力層を含むすべての出力層。カスタム分類出力層を定義して損失関数を指定する方法を示す例にいては，カスタム分類出力層の定義(深度学习工具箱)を参照してください。カスタム回帰出力層を定義して損失関数を指定する方法を示す例にいては，カスタム回帰出力層の定義(深度学习工具箱)を参照してください。	はい	はい
`depthConcatenationLayer`(深度学习工具箱)	深さ連結層	はい	はい
`dicePixelClassificationLayer`(计算机视觉工具箱)	骰子ピクセル分類層は,汎用的な骰子損失を使用して,イメージのピクセルまたはボクセルごとに直言ラベルを提供します。	はい	はい
`dropoutLayer`(深度学习工具箱)	ドロップアウト層	はい	はい
`eluLayer`(深度学习工具箱)	指数線形ユニット(elu)層	はい	はい
`focalLossLayer`(计算机视觉工具箱)	焦点損失層は，焦点損失を使用してオブジェクトクラスを予測します。	はい	はい
`fullyConnectedLayer`(深度学习工具箱)	全結合層	はい	はい
`globalAveragePooling2dLayer`(深度学习工具箱)	空間デ，タのグロ，バル平均プ，リング層	はい	はい
`globalMaxPooling2dLayer`(深度学习工具箱)	2次元グロバル最大プリング層	はい	はい
`groupedConvolution2dLayer`(深度学习工具箱)	2次元グル，プ畳み込み層	はい `numGroups`に整数を指定する場合，その値は`2`以下でなければなりません。	はい
`gruLayer`(深度学习工具箱)	ゲ，ト付き回帰型ユニット(gru)層	はい	はい
`imageInputLayer`(深度学习工具箱)	メ，ジ入力層コ，ド生成は，関数ハンドルを使用して指定された`“归一化”`をサポ，トしていません。	はい	はい
`leakyReluLayer`(深度学习工具箱)	漏洩正規化線形ユニット(ReLU)層	はい	はい
`lstmLayer`(深度学习工具箱)	長短期記憶(lstm)層	はい	はい
`maxPooling2dLayer`(深度学习工具箱)	最大プ，リング層	はい	はい
`maxUnpooling2dLayer`(深度学习工具箱)	最大逆プ，リング層	いいえ	はい
`multiplicationLayer`(深度学习工具箱)	乗算層	はい	はい
`pixelClassificationLayer`(计算机视觉工具箱)	セマンティックセグメンテションのピクセル分類レヤの作成	はい	はい
`rcnnBoxRegressionLayer`(计算机视觉工具箱)	Fast R-CNNおよびFaster R-CNN用のボックス回帰層	はい	はい
`rpnClassificationLayer`(计算机视觉工具箱)	領域提案ネットワ，ク(rpn)用の分類層	はい	はい
`regressionLayer`(深度学习工具箱)	回帰出力層の作成	はい	はい
`reluLayer`(深度学习工具箱)	正規化線形ユニット(ReLU)層	はい	はい
`scalingLayer`(强化学习工具箱)	アクタ，ネットワ，クまたはクリティックネットワ，ク用のスケ，リング層	はい	はい
`sigmoidLayer`(深度学习工具箱)	シグモ@ @ド層	はい	はい
`sequenceInputLayer`(深度学习工具箱)	シ，ケンス入力層コ，ド生成では，ベクトル入力シ，ケンスのみがサポ，トされます。ベクトルシ，ケンス入力では，特徴の数はコ，ド生成中に定数でなければなりません。コ，ド生成は，関数ハンドルを使用して指定された`“归一化”`をサポ，トしていません。	はい	はい
`softmaxLayer`(深度学习工具箱)	ソフトマックス層	はい	はい
`softplusLayer`(强化学习工具箱)	アクタ，ネットワ，クまたはクリティックネットワ，ク用のソフトプラス層	はい	はい
`spaceToDepthLayer`	空間から深さへの変換層	はい	はい
`ssdMergeLayer`(计算机视觉工具箱)	オブジェクト検出のためのSSD盘マ，ジ層	はい	はい
`nnet.keras.layer.FlattenCStyleLayer`	Cスタescル(行優先)の順序であると仮定して，活性化を1次元にフラット化	はい	はい
`nnet.keras.layer.GlobalAveragePooling2dLayer`	空間デ，タのグロ，バル平均プ，リング層	はい	はい
`nnet.keras.layer.SigmoidLayer`	シグモ@ @ド活性化層	はい	はい
`nnet.keras.layer.TanhLayer`	双曲線正接活性化層	はい	はい
`nnet.keras.layer.ZeroPadding2dLayer`	2次元入力のためのゼロパディング層	はい	はい
`nnet.onnx.layer.ElementwiseAffineLayer`	その後に追加が続く，入力の要素単位のスケ，リングを実行する層	はい	はい
`nnet.onnx.layer.FlattenLayer`	Onnx™ネットワ，クの層のフラット化	はい	はい
`nnet.onnx.layer.IdentityLayer`	Onnx恒等作用素を実装する層	はい	はい
`tanhLayer`(深度学习工具箱)	双曲線正接(tanh)層	はい	はい
`transposedConv2dLayer`(深度学习工具箱)	転置2次元畳み込み層コ，ド生成は，入力の非対称のトリミングをサポ，トしていません。たとえば，ベクトル`[t b l r]`を`“种植”`パラメ，タ，に指定して，入力の上下左右をトリミングすることはサポ，トされていません。	はい	はい
`wordEmbeddingLayer`(文本分析工具箱)	単語埋め込み層は，単語。	はい	はい
`yolov2OutputLayer`(计算机视觉工具箱)	YOLO v2オブジェクト検出ネットワ，クの出力層	はい	はい
`yolov2ReorgLayer`(计算机视觉工具箱)	YOLO v2オブジェクト検出ネットワ，クの再編成層	はい	はい
`yolov2TransformLayer`(计算机视觉工具箱)	YOLO v2オブジェクト検出ネットワ，クの変換層	はい	はい

サポ，トされているクラス

クラス	説明	ARM计算库	英特尔MKL-DNN
`yolov2ObjectDetector`(计算机视觉工具箱)	`yolov2ObjectDetector`の`检测`(计算机视觉工具箱)メソッドのみがコ，ド生成でサポ，トされます。 `检测`メソッドの引数`roi`は，コ，ド生成定数(`coder.const ()`)と1行4列のベクトルでなければなりません。 `检测`には，`阈值`、`SelectStrongest`、`MinSize`，および`最大尺寸`の名前と値のペアのみがサポ，トされます。 `检测`の`标签`出力が，文字ベクトルの单元格配列として返されます(たとえば`{“汽车”,“巴士”}`)。	はい	はい
`ssdObjectDetector`(计算机视觉工具箱)	SSD盘ベ，スの検出器を使用してオブジェクトを検出するためのオブジェクト。 `ssdObjectDetector`の`检测`(计算机视觉工具箱)メソッドのみがコ，ド生成でサポ，トされます。 `检测`メソッドの引数`roi`は，代码原定数(`coder.const ()`)と1行4列のベクトルでなければなりません。 `阈值`、`SelectStrongest`、`MinSize`、`最大尺寸`および`MiniBatchSize`の名前と値のペアのみがサポ，トされます。すべての名前と値のペアはコンパイル時の定数でなければなりません。入力▪▪メ▪ジのチャネルとバッチのサ▪▪ズは固定サ▪▪ズでなければなりません。 `标签`出力は分类配列として返されます。生成されたコ，ドで，入力はネットワ，クの入力層のサ，ズに合わせて再スケ，リングされます。ただし，`检测`メソッドから返される境界ボックスは，元の入力サ。	はい	はい

クラス

説明

ARM计算库

英特尔MKL-DNN

yolov2ObjectDetector(计算机视觉工具箱)

yolov2ObjectDetectorの检测(计算机视觉工具箱)メソッドのみがコ，ド生成でサポ，トされます。
检测メソッドの引数roiは，コ，ド生成定数(coder.const ())と1行4列のベクトルでなければなりません。
检测には，阈值、SelectStrongest、MinSize，および最大尺寸の名前と値のペアのみがサポ，トされます。
检测の标签出力が，文字ベクトルの单元格配列として返されます(たとえば{“汽车”,“巴士”})。

はい

ssdObjectDetector(计算机视觉工具箱)

SSD盘ベ，スの検出器を使用してオブジェクトを検出するためのオブジェクト。

ssdObjectDetectorの检测(计算机视觉工具箱)メソッドのみがコ，ド生成でサポ，トされます。
检测メソッドの引数roiは，代码原定数(coder.const ())と1行4列のベクトルでなければなりません。
阈值、SelectStrongest、MinSize、最大尺寸およびMiniBatchSizeの名前と値のペアのみがサポ，トされます。すべての名前と値のペアはコンパイル時の定数でなければなりません。
入力▪▪メ▪ジのチャネルとバッチのサ▪▪ズは固定サ▪▪ズでなければなりません。
标签出力は分类配列として返されます。
生成されたコ，ドで，入力はネットワ，クの入力層のサ，ズに合わせて再スケ，リングされます。ただし，检测メソッドから返される境界ボックスは，元の入力サ。