深度学习网络的代码生成与MKL-DNN - MATLAB和Simulink万博1manbetx

基于MKL-DNN的深度学习网络代码生成

与MATLAB^®编码器™，您可以从一个已经训练过的卷积神经网络(CNN)生成预测代码，目标是使用英特尔的嵌入式平台^®处理器。代码生成器利用了英特尔深度神经网络数学内核库(MKL-DNN)。生成的代码使用输入中指定的架构、层和参数实现CNNSeriesNetwork(深度学习工具箱)或DAGNetwork(深度学习工具箱)网络对象。

使用以下方法生成代码:

标准的codegen命令，由MATLAB代码生成C/ c++代码。
的MATLAB编码器应用程序。

需求

在Windows上^®，用于深度学习网络的代码生成codegen功能要求微软^®Visual Studio^®2015年或更晚时间才能知晓。
深度学习库的MATLAB编码器接口．要安装这个支持包，请从MATLA万博1manbetxB中选择它附加组件菜单。
用于深度神经网络的英特尔数学内核库(MKL-DNN)
深度学习工具箱™。
编译器和库的环境变量。有关更多信息，请参见深度学习与MATLAB编码器的先决条件．

使用代码生成`codegen`

在MATLAB中编写一个入口点函数:

使用coder.loadDeepLearningNetwork函数来构造和建立CNN网络对象。有关更多信息，请参见加载预训练网络以生成代码．
调用预测(深度学习工具箱)方法对网络的入口点函数进行输入。
指定一个MiniBatchSize在预测方法来管理用于预测多个输入图像或观测的内存使用。

例如:

函数= googlenet_predict(中)% # codegen%持久化对象mynet用于加载系列网络对象。在第一次调用这个函数时，将构造持久对象%设置。当后续调用该函数时，将重用相同的对象%调用预测输入，从而避免重新构造和重新加载%网络对象。持续的mynet;如果isempty(mynet) mynet = code . loaddeeplearningnetwork (“googlenet”）;结束输入通过率=预测(mynet,,“MiniBatchSize”2);

为MEX或静态或动态链接库创建代码生成配置对象。要指定MKL-DNN的代码生成参数，请设置DeepLearningConfig属性到一个编码器。MklDNNConfig创建的对象编码器。DeepLearningConfig．
```
cfg = coder.config (“自由”）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“mkldnn”）;
```
运行codegen命令。使用配置选项指定配置对象。使用arg游戏选项指定输入类型。输入大小对应的GoogLeNet网络的输入层大小16不同的图像或观察。
```
codegen配置cfggooglenet_predictarg游戏{(224224 3 16)的}报告
```
请注意

您可以为代码生成指定半精度输入。但是，代码生成器类型将输入强制转换为单精度。深度学习工具箱使用单精度，浮点算法在MATLAB中的所有计算。

生成的代码

网络生成为一个包含层类数组的c++类。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()方法对网络中的每一层调用预测。代码生成器生成函数googlenet_predict ()在googlenet_predict.cpp对应于MATLAB入口点函数。这个函数为网络构造静态对象，并调用setup和predict方法。

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_googlenet_conv * _w和cnn_googlenet_conv * _b对应于网络中卷积层的权值和偏差参数。