事前学習済みのGoogLeNet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= googlenet;

オブジェクト净には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。1000年合計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)))

“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”

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。

MATLABで次を行うエントリポイント関数を作成します。

次に例を示します。

函数= googlenet_predict(中)% # codegen持续的mynet;如果isempty(mynet) mynet = code . loaddeeplearningnetwork (“googlenet”）;结束输入通过率=预测(mynet,);

永続的なオブジェクトmynetはDAGNetworkオブジェクトを読み込みます。エントリポイント関数への最初の呼び出しで,永続的なオブジェクトが作成されて設定されます。後続の関数の呼び出しでは,入力の呼び出し预测に同じオブジェクトが再利用され,ネットワークオブジェクトの再構成と再読み込みが回避されます。

特定の層のネットワーク活性化に激活(深度学习工具箱)メソッド，次ののますことことことできできできできでき行行行行行layerIdxで指定された層のネットワーク活性化を返します。

出=激活(mynet layerIdx,“OutputAs”,“渠道”);

分类(深度学习工具箱)メソッドを使使，学校済みネットワークmynetで在のイメージデータのクラスラベルを予測することもできます。

[,分数]=分类(mynet,);

lstmネットワークに対しては，predictAndUpdateState(深度学习工具箱)メソッドと重置静止(深度学习工具箱)メソッドも使用できます。これらのメソッドの使用上の注意および制限については,サポートされる関数の表の対応するエントリを参照してください。

出力ファイル名,場所,タイプなどのビルド設定を構成するには,コーダー構成オブジェクトを作成します。このオブジェクトを作成するには,関数coder.gpuConfigを使用します。たとえば,codegenコマンドを使用してCUDA墨西哥人を生成する場合,cfg = coder.gpuConfig(墨西哥人);を使用します。

その他の利用可能なオプションは次のとおりです。

TensorRTのコード生成パラメーターを指定するには,DeeplearningConfigプロパティを,coder.deeplearningconfigをを用して作物编码器。TensorRTConfigオブジェクトに設定します。

cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“tensorrt”）;cfg.DeepLearningConfig.DataType =“fp32”；

数据类型プロパティを使用することによって,サポートされている層での推論計算の精度を指定します。32ビット浮動小数点の推論を実行する場合,“fp32”を使用します。半精度には,“fp16”を使用します。8ビット整数には,'int8'を使用します。既定値は“fp32”です。INT86.1以の精度には、计算能力上のCUDA GPUが必要です。FP167.0以の精度には、计算能力上のCUDA GPUが必要です。GpuConfigオブジェクトのComputeCapabilityプロパティを使用して,適切な计算能力値に設定します。

“INT8”オプションを選択すると,TensorRTは浮動小数点データをint8に量子化します。再キャリブレーションは,絞り込んだキャリブレーションデータのセットを使用して実行されます。キャリブレーションデータは,DataPath公司で指定したイメージデータの位置に存在していなければなりません。再キャリブレーションの前にイメージの前処理を実行し,コード生成の前に前処理ステップをエントリポイントファイルに含める必要があります。

Tensorrtを使用ししロゴロゴネットワークに対してに対してビットででを実するについては，英伟达TensorRTを使用した深層学習での予測を参照してください。

codegenコマンドを実行します。codegenコマンドはgooglenet_predict.mMATLABエントリポイント関数からCUDAコードを生成します。

codegen配置cfggooglenet_predictarg游戏{1 (224224 3)}报告

コード生成に成功し，matlabコマンドウィンドウで[レポートの表示)あるmatlabコードコードへのリンクが提供されコード生成レポートを参照してください。

代码生成成功:查看报告

[ビルドタイプ]を墨西哥人に設定します。

[詳細設定]をクリックします。[深層学習]ペインで,[ターゲットライブラリ]を(TensorRT)に設定します。

設定ウィンドウを閉じます。CUDAコードを生成するには,[生成]をクリックします。

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。分類するイメージを読み取り,そのサイズをネットワークの入力サイズに変更します。このサイズ変更では,イメージの縦横比が多少変化します。

我= imread (“peppers.png”）;inputLayerSize = net.Layers (1) .InputSize;我= imresize (im, inputLayerSize (1:2));

入力イメージに対してGoogLeNetの预测を呼び出します。

predict_scores = googlenet_predict_mex (im);

上第五位つの予測ラベルとそれらに対応する確率をヒストグラムとして表示します。ネットワークはイメージを非常に多くのオブジェクトカテゴリに分類しますが,多くのカテゴリは似ているため,ネットワークを評価するときは,通常,上5位つの精度を考慮します。このネットワークは高い確率でこのイメージをピーマンとして分類します。

[分数,indx] =排序(predict_scores“下”）;classNamesTop =一会(indx (1:5));h =图;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,分数(5:1:1))包含(ax2,'可能性') yticklabels (ax2 classNamesTop (5: 1:1)) ax2。YAxisLocation ='对'；sgtitle (“使用GoogLeNet的5大预测”）