金宝app支持网络、层板、和工具,MATLAB仿真软件金宝app - 金宝app,下载188bet金宝搏,金宝搏官方网站

金宝app支持网络、层板、和工具

金宝app支持Pretrained网络

深度学习HDL工具箱™支持系列的代码生成卷积神经网络(金宝appcnn或回旋网)。您可以生成任何代码训练CNN的计算层支持代码生成。金宝app一个完整的列表,请参阅金宝app支持层。您可以使用一个表中列出的pretrained网络为目标英特尔生成代码^®或Xilinx^®FPGA板。

网络	网络描述	类型	单一数据类型(航运比特流)			INT8数据类型(航运比特流)			应用领域
			ZCU102	ZC706	Arria10 SoC	ZCU102	ZC706	Arria10 SoC	分类
AlexNet	AlexNet卷积神经网络。	系列网络	是的	是的	是的	是的	是的	是的	分类
LogoNet	标志识别网络(LogoNet)是MATLAB^®发达标志识别网络。有关更多信息,请参见标志识别网络。	系列网络	是的	是的	是的	是的	是的	是的	分类
DigitsNet	数字分类网络。看到创建简单的深度学习网络分类	系列网络	是的	是的	是的	是的	是的	是的	分类
车道检测	LaneNet卷积神经网络。有关更多信息,请参见车道检测部署转移学习网络。	系列网络	是的	是的	是的	是的	是的	是的	分类
VGG-16	VGG-16卷积神经网络。为pretrained VGG-16模型,明白了`vgg16`。	系列网络	不。网络超过PL DDR内存大小	不。网络超过FC模块内存大小。	是的	是的	不。网络超过FC模块内存大小。	是的	分类
VGG-19	VGG-19卷积神经网络。为pretrained VGG-19模型,明白了`vgg19`。	系列网络	不。网络超过PL DDR内存大小	不。网络超过FC模块内存大小。	是的	是的	不。网络超过FC模块内存大小。	是的	分类
Darknet-19	Darknet-19卷积神经网络。为pretrained darknet-19模型,明白了`darknet19`。	系列网络	是的	是的	是的	是的	是的	是的	分类
雷达的分类	卷积神经网络,使用微多普勒特征识别和分类的对象。有关更多信息,请参见骑自行车和行人分类利用FPGA。	系列网络	是的	是的	是的	是的	是的	是的	分类和软件定义无线电(SDR)
缺陷检测`snet_defnet`	`snet_defnet`是一个自定义AlexNet网络用于识别和分类的缺陷。有关更多信息,请参见缺陷检测。	系列网络	是的	是的	是的	是的	是的	是的	分类
缺陷检测`snet_blemdetnet`	`snet_blemdetnet`是一个定制的卷积神经网络用于识别和分类的缺陷。有关更多信息,请参见缺陷检测。	系列网络	是的	是的	是的	是的	是的	是的	分类
YOLO v2意思车辆检测	你看起来只有一次(YOLO)意思是对象探测器,解码卷积神经网络的预测并生成边界框的对象。有关更多信息,请参见车辆检测使用YOLO v2部署到FPGA的意思。	系列网络基础	是的	是的	是的	是的	是的	是的	对象检测
DarkNet-53	Darknet-53卷积神经网络。为pretrained DarkNet-53模型,明白了`darknet53`。	基于有向无环图(DAG)网络	不。网络超过PL DDR内存大小。	不。网络完全连接层超过内存大小。	是的	是的	不。网络完全连接层超过内存大小。	是的	分类
ResNet-18	ResNet-18卷积神经网络。为pretrained ResNet-18模型,明白了`resnet18`。	基于有向无环图(DAG)网络	是的		是的	是的	是的	是的	分类
ResNet-50	ResNet-50卷积神经网络。为pretrained ResNet-50模型,明白了`resnet50`。	基于有向无环图(DAG)网络	不。网络超过PL DDR内存大小。	不。网络超过PL DDR内存大小。	是的	是的	是的	是的	分类
ResNet-based YOLO v2意思	你看起来只有一次(YOLO)意思是对象探测器,解码卷积神经网络的预测并生成边界框的对象。有关更多信息,请参见车辆检测使用基于DAG网络YOLO v2意思部署到FPGA。	基于有向无环图(DAG)网络	是的	是的	是的	是的	是的	是的	对象检测
MobileNetV2	MobileNet-v2卷积神经网络。为pretrained MobileNet-v2模型,明白了`mobilenetv2`。	基于有向无环图(DAG)网络	是的	不。完全连接层超过PL DDR内存大小。	是的	没有	不。完全连接层超过PL DDR内存大小。	没有	分类
GoogLeNet	GoogLeNet卷积神经网络。为pretrained GoogLeNet模型,明白了`googlenet`。

金宝app支持层

深度学习HDL工具箱支持这些表中列出的层。金宝app

输入层

层	层类型硬件(HW)或软件(SW)	描述和局限性	INT8兼容
`imageInputLayer`	西南	图像输入层输入二维图像网络和应用数据规范化。	是的。在西南经营成一个数据类型。

卷积和完全连接层

层	层类型硬件(HW)或软件(SW)	层输出格式	描述和局限性	INT8兼容
`convolution2dLayer`	HW	卷积(Conv)	一个二维卷积层滑动卷积过滤器适用于输入。在生成代码时使用这个网络层,这些限制适用: 过滤器尺寸必须保护和广场。例如[1]或[15 15]。步幅大小必须保护和广场。填充大小必须在主范围。膨胀系数必须[1]。填充不支持价值。金宝app	是的
`groupedConvolution2dLayer`	HW	卷积(Conv)	一层二维分组卷积分离输入通道进入组织和应用滑动卷积过滤器。使用分组卷积层channel-wise分离(也称为深度方面可分)卷积。现在支持代码生成的二维卷积层分组金宝app`NumGroups`属性设置为`“channel-wise”`。在生成代码时使用这个网络层,这些限制适用: 过滤器尺寸必须保护和广场。例如[1]或[14]14。当`NumGroups`是设置为`“channel-wise”`必须3 - 14,过滤器的大小。步幅大小必须保护和广场。填充大小必须在主范围。膨胀系数必须[1]。组织必须1或2。输入特征数量必须大于单一的平方根的倍数`ConvThreadNumber`。当`NumGroups`不是设置为`“channel-wise”`,每组必须是一个多个过滤器的数量的平方根`ConvThreadNumber`。	是的
`fullyConnectedLayer`	HW	完全连接(FC)	一个完全连接层增加权重矩阵的输入,然后添加一个偏差向量。在生成代码时使用这个网络层,这些限制适用: 输入和输出层中指定的值大小是有限的InputMemorySize和OutputMemorySize。	是的

激活层

层	层类型硬件(HW)或软件(SW)	层输出格式	描述和局限性	INT8兼容
`reluLayer`	HW	层是融合。	ReLU层进行阈值操作每个元素的输入任何值小于零设置为零。支持ReLU层只有当它是之前任何金宝app这些层: 卷积完全连接加法器	是的
`leakyReluLayer`	HW	层是融合。	漏水的ReLU层执行一个阈值操作,任何输入值小于零乘以一个固定的标量。漏水的ReLU层支持只有当它是之前任何这些层金宝app: 卷积完全连接加法器	是的
`clippedReluLayer`	HW	层是融合。	剪ReLU层执行一个阈值操作,任何输入值小于零设置为零,任何值高于剪切的剪切上限设置为上限价值。支持剪ReLU层只有当它是之前任何这些层:金宝app 卷积完全连接加法器	是的

正常化,辍学,种植层

层	层类型硬件(HW)或软件(SW)	层输出格式	描述和局限性	INT8兼容
`batchNormalizationLayer`	HW	层是融合。	一批标准化层规范化mini-batch每个输入通道。支持一批标准化层之前只有当它是一个卷积层。金宝app	是的
`crossChannelNormalizationLayer`	HW	卷积(Conv)	channel-wise当地响应(交叉流道)归一化层进行channel-wise正常化。的`WindowChannelSize`必须在3 - 9代码生成。	是的。运行在HW单一数据类型。
`dropoutLayer`	等待在推理	等待在推理	一个辍学层随机集输入元素在一个给定的概率为零。	是的

池和Unpooling层

层	层类型硬件(HW)或软件(SW)	层输出格式	描述和局限性	INT8兼容
`maxPooling2dLayer`	HW	卷积(Conv)	最大池层执行downsampling除以输入矩形池区域和计算每个区域的最大。在生成代码时使用这个网络层,这些限制适用: 池的大小必须保护和广场。例如[1]或[12 12]。步幅大小必须保护和广场。填充大小必须在范围0 - 2。	是的
`averagePooling2dLayer`	HW	卷积(Conv)	平均淤积一层一层执行downsampling除以输入矩形池区域和计算每个区域的平均值。在生成代码时使用这个网络层,这些限制适用: 池的大小必须保护和广场。例如3 [3] 步幅大小必须保护和广场。填充大小必须在范围0 - 2。	是的
`globalAveragePooling2dLayer`	HW	卷积(Conv)或完全连接(FC)。当输入激活低于内存阈值大小,FC层输出格式。	全球平均池层执行将采样通过计算平均高度和宽度尺寸的输入。在生成代码时使用这个网络层,这些限制适用: 15-by-15-by-N可以接受输入的大小。总激活像素大小必须小于深度学习处理器卷积模块输入内存大小。有关更多信息,请参见InputMemorySize	是的

结合层

层 层类型硬件(HW)或软件(SW) 层输出格式 描述和局限性 INT8兼容

additionLayer

继承输入。

除了一层来自多个神经网络的输入层element-wise补充道。

现在,您可以为该层所生成的代码int8数据类型结合层时漏ReLU或剪ReLU层。

在生成代码时使用这个网络层,这些限制适用:

输入层必须有相同的输出层格式。例如,两层必须conv输出格式或fc输出格式。

是的

depthConcatenationLayer

继承输入。

深度连接层需要输入,有相同的高度和宽度和连接他们的第三个维度(通道尺寸)。

在生成代码时使用这个网络层,这些限制适用:

输入激活特性一定数量的平方根的倍数ConvThreadNumber。
输入深度连接层必须独家深度连接层。
层有conv输出格式和层有一个FC输出格式不能被连接在一起。

是的

输出层

层	层类型硬件(HW)或软件(SW)	描述和局限性	INT8兼容
`softmax`	西南和HW	softmax层softmax函数适用于输入。如果将softmax层是在硬件中实现: 输入必须在范围内`exp (-87)`来`exp (88)`。 Softmax层之后,加法器层不支持或深度连接层。金宝app	是的。在西南经营成一个数据类型。
`classificationLayer`	西南	一个分类层计算熵损失有互斥类的多类分类问题。	是的
`regressionLayer`	西南	一层回归计算均方误差损失一半回归问题。	是的

Keras和ONNX层

层 层类型硬件(HW)或软件(SW) 层输出格式 描述和局限性 INT8兼容

nnet.keras.layer.FlattenCStyleLayer

层将融合

平激活成一维层假设c风格的(行)。

一个nnet.keras.layer.FlattenCStyleLayer只有当金宝app它是紧随其后的是一个完全支持连接层。

是的

nnet.keras.layer.ZeroPadding2dLayer

层将会融合。

零填充层为二维输入。

一个nnet.keras.layer.ZeroPadding2dLayer只有当金宝app它是支持了卷积层或maxpool层。

是的

金宝app支持董事会

这些板是由深度学习HDL工具箱:金宝app

Xilinx Zynq^®-7000年ZC706
英特尔Arria^®10 SoC
Xilinx Zynq UltraScale +™MPSoC ZCU102

第三方综合工具和版本的支持金宝app

深度学习HDL工具箱已经测试:

2020.1 Xilinx Vivado设计套件
英特尔第四的' 18.1