打开深层网络量化器应用程序。

deepNetworkQuantizer

在应用程序中，单击新的并选择进口dlquantizer对象．

在对话框中，选择dlquantizer对象以从基本工作区导入。对于本例，使用quantObj量化GPU目标的神经网络。

该应用程序导入包含的任何数据dlquantizer在命令行收集的对象。这些数据可以包括网络量化、校准数据、验证数据和校准统计数据。

该应用程序将显示一个表格，其中包含导入的校准数据dlquantizer目的，quantObj．在表格的右侧，应用程序显示了参数的动态范围的直方图。直方图的灰色区域表示量化表示无法表示的数据。有关如何解释这些直方图的更多信息，请参见深度神经网络的量化．

在当前工作文件夹中创建一个名为getLogoNetwork.m．在文件中，输入：

功能网= getLogoNetwork如果~ isfile ('logonet.mat') url =“//www.tatmou.com/金宝appsupportfiles/gpucoder/cnn_models/logo_detection/LogoNet.mat”;WebSave（'logonet.mat'url);结束data =负载('logonet.mat'）;net = data.convnet;结束

加载佩带的网络。

snet = getlogonetwork;

snet = SeriesNetwork with properties: Layers: [22×1 net.cnn.layer. layer] InputNames: {'imageinput'} OutputNames: {'classoutput'}

定义用于量化的校准和验证数据。

该应用程序使用校准数据来锻炼网络，并收集在卷积和网络全连接层中的权重和偏差的动态范围。该应用程序还在LogoNet网络的所有层中执行动态范围的激活。为了获得最好的量化结果，校准数据必须是LogoNet网络输入的代表性数据。

在量化之后，应用程序使用验证数据集来测试网络以了解网络中卷积层的量化学习参数的有限范围和精度的影响。

在本例中，使用logos_dataset数据集以校准并验证LogOnet网络。定义一个augmentedImageDatastore对象以调整网络数据的大小。然后，将数据分解为校准和验证数据集。

快速校准和验证过程，使用的子集calibrationData和validationData．存储新的简化校准数据集CalibrationData_concise.新的验证数据被简化了validationData_concise．

curDir = pwd;newDir = fullfile (matlabroot,“例子”，“deeplearning_shared”，'数据'，'logos_dataset.zip'）;拷贝文件(newDir curDir);解压缩('logos_dataset.zip'）;imagedata = imagedataStore（fullfile（curdir，'logos_dataset'),．..'upplyubfolders'，真的，“FileExtensions”，“jpg”，'labelsource'，'foldernames'）;[calibrationData, validationData] = splitEachLabel(imageData, 0.5，'随机'）;calibrationData_concise = calibrationData.subset (1:20);validationData_concise = vaidationData.subset (1:1);

在MATLAB命令提示符下，打开Deep Network Quantizer应用程序。

deepNetworkQuantizer

点击新的并选择数字转换网络．

应用程序验证您的执行环境。

选择执行环境和网络以从基础工作区量化。在此示例中，选择FPGA执行环境和系列网络snet．

该应用程序显示所选网络的图层图。

在里面校准App Toolstrip的部分，下校准数据,选择augmentedImageDatastore对象来自包含校准数据的基础工作空间CalibrationData_concise.．

点击校准．

的深层网络量化器App使用校准数据对网络进行锻炼，收集网络层中可学习参数的范围信息。

校准完成后，应用程序会显示一张表格，其中包含卷积和网络全连接层的权重和偏差。此外，还显示了网络各层激活的动态范围及其在校准期间的最小值和最大值。应用程序显示参数的动态范围的直方图。直方图的灰色区域表示量化表示无法表示的数据。有关如何解释这些直方图的更多信息，请参见深度神经网络的量化．

在里面量化列，表示是否对层中的可学习参数进行量化。你不能量化不是卷积层的层。未量子化的层仍然保持单精度。

在里面证实App Toolstrip的部分，下验证数据,选择augmentedImageDatastore对象来自包含验证数据的基本工作空间validationData_concise．

在里面硬件设置部分，从表中列出的选项中选择:

当你选择英特尔Arria 10 SoC（Arria10soc_int8），Xilinx ZCU102 (zcu102_int8)， 或者Xilinx ZC706 (zc706_int8)选项，选择要用于部署和验证量化网络的接口。的目标接口选项在该表中列出。

对于本例，请选择Xilinx ZCU102 (zcu102_int8)， 选择以太网，输入单板IP地址。

在里面证实App Toolstrip的部分，下量化的选择,选择默认度量函数。

点击数字转换和验证．

的深层网络量化器应用程序量化网络中卷积层的权重、激活和偏差，以缩放8位整数数据类型，并使用验证数据来锻炼网络。该应用程序根据被量化的网络类型确定一个用于验证的度量函数。

当验证完成时，应用程序显示验证的结果，包括:

如果希望使用不同的度量函数进行验证，例如使用Top-5精度度量函数而不是默认的Top-1精度度量函数，则可以定义一个自定义度量函数。将此函数保存在本地文件中。

功能hComputeAccuracy = hComputeAccuracy(predictionScores, net, dataStore)%%计算模型级精度统计负载地面真实值tmp = readall(数据存储);groundTruth = tmp.response;将预测标签与地面真实值进行比较predictionerror = {};为idx=1:numel(groundTruth) [~， idy] = max(predictionScores(idx，:)); / /将groundTruth改为groundTruthyActual = net.Layers(结束). class(补贴);predictionError{end+1} = (yActual == groundTruth(idx));% #好吧结束%汇总所有预测错误。predictionerror = [predictionerror {：}];精度= SUM（预测值）/ NUMER（预测值）;结束

通过使用此自定义度量函数来重新验证网络量化的选择，输入自定义度量函数的名称hComputeAccuracy．选择添加加上hComputeAccuracy到应用程序中可用的度量函数列表。选择hComputeAccuracy作为度量函数使用。

定制度量函数必须在路径上。如果度量函数不在路径上，此步骤将产生一个错误。

点击数字转换和验证．

该应用程序量化网络，并显示自定义度量函数的验证结果。

该应用程序仅在验证结果表中显示标量值。要查看具有非卡拉尔输出的自定义度量功能的验证结果，导出dlquantizer对象，然后使用验证函数。

在对网络进行量化和验证之后，可以选择导出量化的网络。

单击出口按钮。在下拉列表中，选择出口量化器创建一个dlquantizer对象在基本工作区中。您可以将量化网络部署到目标FPGA板上，并使用MATLAB检索预测结果。看到的,部署量化网络示例(深度学习HDL工具箱)．