打开深层网络量化器应用程序。

深度网络量化器

在应用程序中，单击刚出现的选择进口dlquantizer对象．

在对话框中，选择数字量化器对象以从基本工作区导入。对于本例，使用泉托布您在上面的示例中创建的，为GPU目标量化一个神经网络。

应用程序将导入应用程序中包含的任何数据数字量化器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。

应用程序将显示一个表格，其中包含导入应用程序中包含的校准数据数字量化器对象泉托布。在表格右侧，应用程序显示参数动态范围的直方图。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，请参阅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：

作用net=getLogoNetwork如果~isfile(“LogoNet.mat”)网址=“//www.tatmou.com/金宝appsupportfiles/gpucoder/cnn_models/logo_detection/LogoNet.mat”；韦伯斯韦(“LogoNet.mat”，网址）；终止数据=负载(“LogoNet.mat”); net=data.net；终止

加载预训练网络。

snet=getlogonnetwork；

snet=SeriesNetwork，属性：Layers:[22×1 nnet.cnn.layer.layer]InputNames:{'imageinput'}OutputNames:{'classoutput'}

定义用于量化的校准和验证数据。

应用程序使用校准数据练习网络，并收集网络卷积层和完全连接层中权重和偏差的动态范围。应用程序还练习LogoNet网络所有层中激活的动态范围。为了获得最佳量化结果，校准数据必须具有代表性向LogoNet网络输入的e。

量化后，应用程序使用验证数据集测试网络，以了解网络中卷积层量化可学习参数的有限范围和精度的影响。

在本例中，使用logos\u数据集用于校准和验证LogoNet网络的数据集。定义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。

通过使用一个子集，加快校准和验证过程calibrationData和验证数据．存储新的简化校准数据集校准数据新的验证数据被简化了验证数据．

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（完整文件（curDir，“logos\u数据集”),．..“包含子文件夹”符合事实的“文件扩展名”,“.JPG”,“标签源”,“foldernames”); [calibrationData，validationData]=拆分每个标签（imageData，0.5，“随机化”）;calibrationData_concise = calibrationData.subset (1:20);validationData_concise = vaidationData.subset (1:1);

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

深度网络量化器

点击刚出现的选择量化网络．

应用程序验证您的执行环境。

从基本工作区中选择要量化的执行环境和网络。对于本例，选择FPGA执行环境和串联网络斯奈特．

应用程序显示所选网络的图层图。

在校准应用程序工具条的一部分，在校准数据，选择augmentedImageDatastore包含校准数据的基本工作区中的对象校准数据．

点击校准．

这个深层网络量化器应用程序使用校准数据练习网络，并收集网络层中可学习参数的范围信息。

校准完成后，应用程序将显示一个表格，其中包含网络卷积层和完全连接层中的权重和偏差。还将显示网络所有层中激活的动态范围及其校准期间的最小值和最大值。应用程序将显示动态范围的直方图参数的灰色区域。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，请参阅深度神经网络的量化．

在量化列，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。

在验证应用程序工具条的一部分，在验证数据，选择augmentedImageDatastore对象来自包含验证数据的基本工作空间验证数据．

在硬件设置在toolstrip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Xilinx ZC706（ZC706_int8）选项，选择用于部署和验证量化网络的接口目标此表中列出了接口选项。

对于本例，选择Xilinx ZCU102 (zcu102_int8)选择以太网，然后输入板IP地址。

在验证应用程序工具条的一部分，在量化选项，选择违约度量函数。

点击量化和验证．

这个深层网络量化器应用程序将网络中卷积层的权重、激活和偏差量化为缩放的8位整数数据类型，并使用验证数据来运行网络。应用程序根据正在量化的网络类型确定用于验证的度量函数。

验证完成后，应用程序将显示验证结果，包括：

如果要使用其他度量函数进行验证，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，则可以定义自定义度量函数。将此函数保存在本地文件中。

作用准确度=hComputeAccuracy（预测核心、网络、数据存储）%%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；%将预测标签与基本事实进行比较predictionError={}；对于idx=1:numel（groundTruth）[~，idy]=max（predictionScores（idx，：）；yActual=net.Layers（end.class）（idy）；predictionError{end+1}=（yActual==groundTruth（idx））；% #好吧终止%将所有预测误差相加。predictionError=[predictionError{:}]；精度=sum（predictionError）/numel（predictionError）；终止

要使用此自定义度量函数重新验证网络，请在量化选项，输入自定义度量函数的名称hComputeAccuracy选择添加加hComputeAccuracy至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。

自定义度量函数必须位于路径上。如果度量函数不在路径上，此步骤将产生错误。

点击量化和验证．

该应用程序量化网络，并显示自定义度量函数的验证结果。

应用程序在验证结果表中仅显示标量值。若要查看具有非标量输出的自定义度量函数的验证结果，请导出数字量化器对象，然后使用验证函数在MATLAB命令窗口中。

量化和验证网络后，可以选择导出量化网络。

点击出口按钮在下拉列表中，选择输出量化器创建一个数字量化器基本工作区中的对象。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。看见部署量化网络示例（深度学习HDL工具箱）．