深度学习工具。

深度学习工具箱MobileNet-v2网络模型サポートパッケージ。

深度学习库的GPU编码器接口サポートパッケージ。サポートパッケージをインストールするには、MATLAB^®の[アドオン]メニューでサポートパッケージを選択します。

コンピューター ビジョンおよび機械学習用の 手臂计算库をターゲットハードウェアにインストールしなければなりません。サポートされているコンパイラおよびライブラリのバージョンの詳細は、前提条件となる製品のインストールを参照してください。

コンパイラおよびライブラリの環境変数。詳細については,環境変数を参照してください。

事前学習済みの MobileNet-v2ネットワークを読み込みます。イメージ分類用の異なる事前学習済みネットワークの読み込みを選択できます。必要なサポート パッケージがインストールされていない場合、ダウンロード用リンクが表示されます。

网= mobilenetv2;

オブジェクト网にはDAGNetworkオブジェクトが格納されています。関数analyzeNetwork(深度学习工具箱)を使用して、ネットワーク アーキテクチャを対話的に可視化して表示し、ネットワークに関するエラーや問題を検出して、ネットワーク層についての詳細情報を表示します。層の情報には、層の活性化と学習可能なパラメーターのサイズ、学習可能なパラメーターの総数、および再帰層の状態パラメーターのサイズが含まれます。

analyzeNetwork(净);

分類するイメージのサイズは,ネットワークの入力サイズと同じでなければなりません。GoogLeNetの場合,imageInputLayer(深度学习工具箱)のサイズは224 x 224 x 3です。出力classificationLayer(深度学习工具箱)の类プロパティには、ネットワークによって学習されたクラスの名前が含まれています。合計 1000個のクラス名のうち 10個をランダムに表示します。

一会= net.Layers . class(结束);numClasses =元素个数(类名);disp(类名(randperm (numClasses 10)))

公鸡，蜂房，肥皂分配器，titi，汽车车轮，guenon，枪口，木耳，七叶石柱

詳細については,深層学習層の一覧(深度学习工具箱)を参照してください。

“arm-compute-mali”として指定された“targetlib”をもつcnncodegenを呼び出します。次に例を示します。

网= googlenet;cnncodegen(净,“targetlib”，“arm-compute-mali”，“batchsize”1);

“arm-compute-mali”の場合、batchsizeの値は1でなければなりません。

臂计算库のライブラリ固有のパラメーターを指定できる“targetparams”の名前と値のペアの引数は,手臂马里GPUをターゲットとする場合,適用されません。

cnncodegenコマンドは,コード,makefile,cnnbuild_rtw.mk,およびその他のサポートファイルを生成して,ターゲットハードウェアに生成されたコードをビルドします。コマンドはすべての生成されたファイルをcodegenフォルダーに配置します。

预测を呼び出すc++主要関数を作成します。生成されたコードと統合するメインファイルの例については,ARM马里GPUでの深層学習の予測を参照してください。

優先する安全文件副本(SCP)とSecure Shell (SSH)クライアントを使用して,生成されたcodegenフォルダーとその他のファイルをホスト開発コンピューターから 手臂ハードウェアに移動します。ターゲットで実行可能プログラムをビルドします。