深度学习网络的代码生成
此示例演示如何为使用深度学习的图像分类应用程序执行代码生成。它使用codegen命令，生成MEX函数，该函数使用MobileNet-v2、ResNet和GoogLeNet等图像分类网络运行预测。
第三方的先决条件
要求的
本例生成CUDA MEX，并具有以下第三方需求。
CUDA®支持NVIDIA®GPU和兼容驱动程序。
可选
对于非MEX构建，如静态、动态库或可执行文件，此示例具有以下附加要求。
英伟达工具包。
NVIDIA cuDNN图书馆。
编译器和库的环境变量。有关更多信息，请参见第三方硬件和设置前提产品s manbetx 845．
验证GPU环境
使用coder.checkGpuInstall函数来验证运行此示例所需的编译器和库是否正确设置。
envCfg = coder.gpuEnvConfig (“主持人”）;envCfg。DeepLibTarget =“cudnn”；envCfg.DeepCodegen=1；envCfg.Quiet=1；coder.checkGpuInstall（envCfg）；
美孚预测入口点函数
MobileNet-v2是一个卷积神经网络，对ImageNet数据库中的100多万张图像进行训练。该网络有155层，可将图像分类为1000个对象类别，如键盘、鼠标、铅笔和许多动物。该网络的图像输入大小为224×224。使用analyzeNetwork(深度学习工具箱)用于显示深度学习网络体系结构的交互式可视化功能。
网= mobilenetv2 ();analyzeNetwork(净);
的mobilenetv2_predict.m入口点函数接收图像输入，并使用预训练的MobileNet-v2卷积神经网络对图像进行预测。该函数使用持久对象mynet加载系列网络对象并重用持久对象，以便对后续调用进行预测。
类型(“mobilenetv2_predict.m”）
% Copyright 2017-2019 The MathWorks, Inc. function out = mobilenetv2_predict(in) %#codegen persistent mynet;如果是空的(mynet) mynet = code . loaddeeplearningnetwork ('mobilenetv2'，'mobilenetv2');输入输出= mynet.predict(in);
运行MEX代码生成
生成的CUDA代码美孚预测为MEX目标创建一个GPU代码配置对象，并将目标语言设置为c++。使用coder.DeepLearningConfig函数创建CuDNN的深度学习配置对象，并将其分配给深度学习配置图形处理器代码配置对象的属性。运行codegen命令并指定输入大小[224,224,3]。该值对应于MobileNet-v2网络的输入层大小。
cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;codegen配置cfg美孚预测arg游戏{1 (224224 3)}报告
代码生成成功:要查看报告，打开('codegen/mex/mobilenetv2_predict/html/report.mldatx')。
生成的代码描述
系列网络是作为一个c++类生成的，包含155个层类和函数，用于设置、调用预测和清理网络。
类b_mobilenetv2_0｛．..．公共：b_mobilenetv2_0（）；无效设置（）；无效预测（）；空洞清理（）~b_mobilenetv2_0（）；}；
的设置()方法为网络对象的每一层建立句柄并分配内存。的预测()方法对网络中155层中的每一层进行预测。
的入口点函数mobilenetw2_predict（）在生成的代码文件中mobilenetv2_.cu构造静态对象b_mobilenetv2类类型并调用此网络对象上的设置和预测。
静态b_mobilenetv2_0mynet静止的boolean_Tmynet_not_empty；
/ *函数定义*／无效的mobilenetv2\u预测（常量实输入[150528]，实输出[1000]）｛如果（! mynet_not_empty) {DeepLearningNetwork_setup (&mynet);mynet_not_empty = true;｝
/*通过输入*/ DeepLearningNetwork_predict(&mynet, in, out);｝
二进制文件导出的层与参数，如完全连接和卷积层在网络。例如，文件cnn_mobilenetv2_conv*_w和cnn_mobilenetv2_conv*_b对应于网络中卷积层的权值和偏置参数。要查看生成的文件列表，请使用:
dir (fullfile (pwd,“codegen”，墨西哥人的，“mobilenetv2_predict”））
运行生成的墨西哥人
加载一个输入图像。
我= imread (“peppers.png”); imshow（im）；
调用mobilenetv2_predict_mex在输入图像上。
Im = imresize(Im， [224,224]);predict_scores = mobilenetv2_predict_mex(双(im));
获得前五名的预测得分和他们的标签。
[分数,indx] =排序(predict_scores“下”）;一会= net.Layers .ClassNames(结束);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,“概率”)yticklabels（ax2，类名top（5:-1:1））ax2.YAxisLocation=“对”；sgtitle (“使用MobileNet-v2的五大预测”）
视频分类
包含的帮助函数mobilenet_live.m从网络摄像头抓取帧，执行预测，并显示每个捕获视频帧的分类结果网络摄像头(USB网络摄像万博1manbetx头MATLAB支持包)MATLAB®USB Webcam万博1manbetxs™支持包支持的功能。支持包可以通过万博1manbetx万博1manbetx支持包安装程序．
类型(“mobilenet_live.m”）
% Copyright 2017-2019 The MathWorks, Inc. function mobilenet_live % Connect to a camera camera = webcam;%预测得分前5名的标签%映射到相应的标签net = mobilenetv2();一会= net.Layers .ClassNames(结束);Imfull = 0 (uint8); / / uint8fps = 0;ax =轴;%拍照ipicture = camera.snapshot;%调整大小和cast图片到单一图片= imresize(ipicture，[224,224]);%为MobileNet-v2预测调用MEX函数;撅嘴= mobilenetv2_predict(单(图)); newt = toc; % fps fps = .9*fps + .1*(1/newt); % top 5 scores [top5labels, scores] = getTopFive(pout,classnames); % display if isvalid(ax) dispResults(ax, imfull, picture, top5labels, scores, fps); else break; end end end function dispResults(ax, imfull, picture, top5labels, scores, fps) for k = 1:3 imfull(:,177:end,k) = picture(:,:,k); end h = imshow(imfull, 'InitialMagnification',200, 'Parent', ax); scol = 1; srow = 20; text(get(h, 'Parent'), scol, srow, sprintf('MobileNet-v2 Demo'), 'color', 'w', 'FontSize', 20); srow = srow + 20; text(get(h, 'Parent'), scol, srow, sprintf('Fps = %2.2f', fps), 'color', 'w', 'FontSize', 15); srow = srow + 20; for k = 1:5 t = text(get(h, 'Parent'), scol, srow, top5labels{k}, 'color', 'w','FontSize', 15); pos = get(t, 'Extent'); text(get(h, 'Parent'), pos(1)+pos(3)+5, srow, sprintf('%2.2f%%', scores(k)), 'color', 'w', 'FontSize', 15); srow = srow + 20; end drawnow; end function [labels, scores] = getTopFive(predictOut,classnames) [val,indx] = sort(predictOut, 'descend'); scores = val(1:5)*100; labels = classnames(indx(1:5)); end
清除加载到内存中的静态网络对象。
清楚的墨西哥；
基于ResNet-50网络的图像分类
您也可以使用DAG网络ResNet-50进行图像分类。深度学习工具箱的ResNet-50支持包中有一个用于MATLAB的预训练的ResNet-50模型。万博1manbetx要下载和安装支持包，请使用Add-On Explorer万博1manbetx。要了解有关查找和安装附加组件的更多信息，请参见获得附加组件(MATLAB)．
网= resnet50;disp(净)
具有属性的DAG网络：层：[177×1 nnet.cnn.layer.layer]连接：[192×2表]输入名称：{'input_1'}输出名称：{'ClassificationLayer_fc1000'}
运行MEX代码生成
生成的CUDA代码resnet_predict.m入口点函数，为MeX目标创建GPU代码配置对象，并将目标语言设置为C++。resnet50函数加载网络并对输入图像执行预测。
cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;codegen配置cfgresnet_predictarg游戏{1 (224224 3)}报告
代码生成成功：要查看报告，请打开（'codegen/mex/resnet\u predict/html/report.mldatx'）。
调用resnet_predict_mex在输入图像上。
predict_scores = resnet_predict_mex(双(im));
获得前五名的预测得分和他们的标签。
[分数,indx] =排序(predict_scores“下”）;一会= net.Layers .ClassNames(结束);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,“概率”)yticklabels（ax2，类名top（5:-1:1））ax2.YAxisLocation=“对”；sgtitle (“使用ResNet-50的五大预测”）
清除加载到内存中的静态网络对象。
清楚的墨西哥；
基于GoogLeNet (Inception)网络的图像分类
深度学习工具箱中的GoogLeNet支持包中有一个用于MATLAB的预先训练的GoogLeNet模型。万博1manbetx要下载和安装支持包，请使用Add-On Explorer万博1manbetx。要了解有关查找和安装附加组件的更多信息，请参见获得附加组件(MATLAB)．
网= googlenet;disp(净)
带有属性的DAGNetwork: Layers: [144×1 nnet.cnn.layer.Layer] Connections: [170×2 table] InputNames: {'data'} OutputNames: {'output'}
运行MEX代码生成
生成CUDA代码古格伦入口点函数。这个入口点函数调用googlenet函数加载网络并对输入图像执行预测。要为这个入口点函数生成代码，请为MEX目标创建一个GPU配置对象。
cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;codegen配置cfggooglenet_predictarg游戏{1 (224224 3)}报告
代码生成成功：要查看报告，请打开（'codegene/mex/googlenet\u predict/html/report.mldatx'）。
调用googlenet_predict_mex在输入图像上。
Im = imresize(Im， [224,224]);predict_scores = googlenet_predict_mex(双(im));
获得前五名的预测得分和他们的标签。
[分数,indx] =排序(predict_scores“下”）;一会= net.Layers .ClassNames(结束);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,“概率”)yticklabels（ax2，类名top（5:-1:1））ax2.YAxisLocation=“对”；sgtitle (“使用GoogLeNet的五大预测”）
清除加载到内存中的静态网络对象。
清楚的墨西哥；
另请参阅
功能
codegen|coder.checkGpuInstall|coder.DeepLearningConfig|coder.loadDeepLearningNetwork|mobilenetv2(深度学习工具箱)|resnet50(深度学习工具箱)
对象
相关话题
您还可以从以下列表中选择网站：
