网络和层支持c++代码生成- MATLA万博1manbetxB & Simulink - MathWorks法国万博1manbetx

网络和层支持c++代码生成万博1manbetx

MATLAB^®编码器™万博1manbetx支持序列和有向无环图(DAG)卷积神经网络(CNNs或ConvNets)的代码生成。您可以为任何经过训练的卷积神经网络生成代码，该网络的层支持代码生成。万博1manbetx看到万博1manbetx支持层。

万博1manbetx支持Pretrained网络

以下是深度学习工具箱™中提供的预训练网络，支持用于代码生成。万博1manbetx

网络名称	描述	手臂^®计算库	英特尔^®MKL-DNN
`AlexNet`	卷积神经网络。有关预先训练的AlexNet模型，请参见`alexnet`。	是的	是的
`DarkNet`	darkne19和darkne53卷积神经网络。对于预先训练的暗网模型，请参见`darknet19`和`darknet53`。	是的	是的
`densenet - 201`	DenseNet-201卷积神经网络。对于预先训练的densen -201模型，请参见`densenet201`。	是的	是的
`GoogLeNet`	GoogLeNet卷积神经网络。对于预先训练好的GoogLeNet模型，请参见`googlenet`。	是的	是的
`Inception-ResNet-v2`	incep - resnet -v2卷积神经网络。对于预先训练的incep - resnet -v2模型，请参见`inceptionresnetv2`。	是的	是的
`Inception-v3`	v3卷积神经网络。有关预先训练过的incepo -v3模型，请参见`inceptionv3`。	是的	是的
`MobileNet-v2`	mobilena -v2卷积神经网络。对于预先训练的MobileNet-v2模型，请参见`mobilenetv2`。	是的	是的
`NASNet-Large`	NASNet-Large卷积神经网络。对于预先训练好的NASNet-Large模型，请参见`nasnetlarge`。	是的	是的
`NASNet-Mobile`	移动卷积神经网络。对于预先训练好的NASNet-Mobile模型，请参见`nasnetmobile`。	是的	是的
`ResNet`	ResNet-18, ResNet-50，和ResNet-101卷积神经网络。对于预先训练好的ResNet模型，请参见`resnet18`,`resnet50`,`resnet101`。	是的	是的
`SegNet`	多类像素分割网络。有关更多信息，请参见`segnetLayers`。	没有	是的
`SqueezeNet`	小而深的神经网络。对于预先训练的SqeezeNet模型，请参见`squeezenet`。	是的	是的
`VGG-16`	vgg16卷积神经网络。对于预先训练的VGG-16模型，请参见`vgg16`。	是的	是的
`VGG-19`	VGG-19卷积神经网络。有关预先训练的vggg -19模型，请参阅`vgg19`。	是的	是的
`Xception`	叠卷积神经网络。对于预先训练好的Xception模型，请参见`xception`。	是的	是的

万博1manbetx支持层

以下层支持代码生成万博1manbetxMATLAB编码器用于表中指定的目标深度学习库。

安装支持包之后万博1manbetx用于深度学习的MATLAB编码器接口,你可以使用coder.getDeepLearningLayers查看特定深度学习库支持的层列表。万博1manbetx例如:

coder.getDeepLearningLayers (“mkldnn”)

层的名字	描述	臂计算库	英特尔MKL-DNN
`additionLayer`	添加层	是的	是的
`anchorBoxLayer`	锚箱层	是的	是的
`averagePooling2dLayer`	平均池层	是的	是的
`batchNormalizationLayer`	批归一化层	是的	是的
`bilstmLayer`	双向LSTM层	是的	没有
`classificationLayer`	创建分类输出层	是的	是的
`clippedReluLayer`	剪切整流线性单元(ReLU)层	是的	是的
`concatenationLayer`	连接层	是的	是的
`convolution2dLayer`	二维卷积层	是的	是的
`crop2dLayer`	对输入应用2d裁剪的层	是的	是的
`CrossChannelNormalizationLayer`	信道本地响应归一化层	是的	是的
自定义输出层	使用创建的所有输出层，包括自定义分类或回归输出层`nnet.layer.ClassificationLayer`或`nnet.layer.RegressionLayer`。有关如何定义自定义分类输出层和指定丢失函数的示例，请参见定义自定义分类输出层(深度学习工具箱)。有关如何定义自定义回归输出层和指定损失函数的示例，请参见定义自定义回归输出层(深度学习工具箱)。	是的	是的
`depthConcatenationLayer`	深度连接层	是的	是的
`dropoutLayer`	辍学层	是的	是的
`eluLayer`	指数线性单位(ELU)层	是的	是的
`fullyConnectedLayer`	完全连接层	是的	是的
`globalAveragePooling2dLayer`	用于空间数据的全局平均池化层	是的	是的
`globalMaxPooling2dLayer`	二维全局最大池层	是的	是的
`groupedConvolution2dLayer`	二维分组卷积层	是的如果您指定一个整数`numGroups`，则该值必须小于或等于`2`。	是的
`imageInputLayer`	图像输入层不支持代码生成万博1manbetx`“归一化”`使用函数句柄指定。	是的	是的
`leakyReluLayer`	漏整线性单元(ReLU)层	是的	是的
`lstmLayer`	长短期存储器(LSTM)层	是的	没有
`maxPooling2dLayer`	马克斯池层	是的	是的
`maxUnpooling2dLayer`	马克斯unpooling层	没有	是的
`pixelClassificationLayer`	创建用于语义分割的像素分类层	是的	是的
`regressionLayer`	创建一个回归输出层	是的	是的
`reluLayer`	直线单元(ReLU)层	是的	是的
`sequenceInputLayer`	序列输入层	是的	没有
`softmaxLayer`	Softmax层	是的	是的
`ssdMergeLayer`	SSD合并层用于对象检测	是的	是的
`nnet.keras.layer.FlattenCStyleLayer`	将激活扁平化为假设为c样式(行为主)的一维顺序	是的	是的
`nnet.keras.layer.GlobalAveragePooling2dLayer`	用于空间数据的全局平均池化层	是的	是的
`nnet.keras.layer.SigmoidLayer`	乙状结肠活化层	是的	是的
`nnet.keras.layer.TanhLayer`	双曲正切激活层	是的	是的
`nnet.keras.layer.ZeroPadding2dLayer`	零填充层为二维输入	是的	是的
`nnet.onnx.layer.ElementwiseAffineLayer`	层，执行按元素对输入进行缩放，然后进行添加	是的	是的
`nnet.onnx.layer.FlattenLayer`	ONNX网络的平层	是的	是的
`nnet.onnx.layer.IdentityLayer`	实现ONNX标识操作符的层	是的	是的
`tanhLayer`	双曲正切(tanh)层	是的	是的
`transposedConv2dLayer`	转置二维卷积层代码生成不支持输入的不对称剪裁。万博1manbetx例如，指定一个向量`[t b l r]`为`“种植”`参数来裁剪输入的顶部、底部、左侧和右侧不受支持。万博1manbetx	是的	是的
`wordEmbeddingLayer`	单词嵌入层将单词索引映射到向量	是的	没有
`YOLOv2OutputLayer`	输出层为YOLO v2对象检测网络	是的	是的
`YOLOv2ReorgLayer`	重组层用于YOLO v2对象检测网络	是的	是的
`YOLOv2TransformLayer`	转换层用于YOLO v2对象检测网络	是的	是的

万博1manbetx支持类

类	描述	臂计算库	英特尔MKL-DNN
`yolov2ObjectDetector`	只有`检测`的方法`yolov2ObjectDetector`为代码万博1manbetx生成提供支持。的`roi`参数`检测`方法必须是代码生成常量(`coder.const ()`)和一个1x4向量。只有`阈值`,`SelectStrongest`,`MinSize`,`最大尺寸`名称-值对的`检测`都受支持万博1manbetx。的`标签`的输出`检测`作为字符向量的单元格数组返回，例如，`{“汽车”,“巴士”}`。	是的	是的
`ssdObjectDetector`	对象来使用基于ssd的检测器检测对象。只有`检测`的方法`ssdObjectDetector`为代码万博1manbetx生成提供支持。的`roi`参数`检测`方法必须是一个codegen常数(`coder.const ()`)和一个1x4向量。只有`阈值`,`SelectStrongest`,`MinSize`,`最大尺寸`,`MiniBatchSize`支持名称-值对。万博1manbetx所有的名称-值对必须是编译时常量。输入图像的通道和批大小必须是固定的大小。的`标签`输出作为分类数组返回。在生成的代码中，输入被重新标定为网络输入层的大小。但是这个边界框`检测`方法返回的值参照原始输入大小。	是的	是的

类

描述

臂计算库

英特尔MKL-DNN

yolov2ObjectDetector

只有检测的方法yolov2ObjectDetector为代码万博1manbetx生成提供支持。
的roi参数检测方法必须是代码生成常量(coder.const ())和一个1x4向量。
只有阈值,SelectStrongest,MinSize,最大尺寸名称-值对的检测都受支持万博1manbetx。
的标签的输出检测作为字符向量的单元格数组返回，例如，{“汽车”,“巴士”}。

是的

ssdObjectDetector

对象来使用基于ssd的检测器检测对象。

只有检测的方法ssdObjectDetector为代码万博1manbetx生成提供支持。
的roi参数检测方法必须是一个codegen常数(coder.const ())和一个1x4向量。
只有阈值,SelectStrongest,MinSize,最大尺寸,MiniBatchSize支持名称-值对。万博1manbetx所有的名称-值对必须是编译时常量。
输入图像的通道和批大小必须是固定的大小。
的标签输出作为分类数组返回。
在生成的代码中，输入被重新标定为网络输入层的大小。但是这个边界框检测方法返回的值参照原始输入大小。

是的

另请参阅

coder.getDeepLearningLayers

网络和层支持c++代码生成万博1manbetx

万博1manbetx支持Pretrained网络

万博1manbetx支持层

万博1manbetx支持类

另请参阅

相关的话题

MATLAB编码器文档

万博1manbetx

尝试MATLAB、Sim万博1manbetxulink和其他产品s manbetx 845