主要内容

数字量化器

将深度神经网络量化为8位比例整数数据类型

在第页中展开全部

描述

使用数字量化器目的通过量化权值、偏差和激活到8位比例整数数据类型来减少深度神经网络的内存需求。

创造

语法

quantObj=数字量化器（净）
quantObj = dlquantizer(净、名称、值)

描述

quantObj=数字量化器(净)创建一个数字量化器对象的指定网络。

quantObj=数字量化器(净,名称,值)创建一个数字量化器对象，以及由一个或多个名称-值对参数指定的其他选项。

使用数字量化器为FPGA或GPU部署创建量化网络。要了解将深度学习网络量化并部署到FPGA或GPU环境所需的产品，请参阅s manbetx 845量化工作流先决条件．

输入参数

全部展开

预训练神经网络，指定为达格网络,系列网络,Yolov2物体检测器（计算机视觉工具箱）,或者一个SSD探测器（计算机视觉工具箱）对象。

量化的SSD探测器（计算机视觉工具箱）网络需要ExecutionEnvironment要设置为的属性FPGA的．

性质

全部展开

预训练神经网络，指定为达格网络,系列网络,Yolov2物体检测器（计算机视觉工具箱）,或者一个SSD探测器（计算机视觉工具箱）对象。

量化的SSD探测器（计算机视觉工具箱）网络需要ExecutionEnvironment要设置为的属性FPGA的．

指定量化网络的执行环境。不指定此参数时，默认执行环境为GPU。要了解将深度学习网络量化并部署到FPGs manbetx 845A或GPU环境所需的产品，请参见量化工作流先决条件．

例子:“执行环境”,FPGA的

目标函数

校准 模拟和收集深度神经网络的范围
验证 对深度神经网络进行量化和验证

例子

全部折叠

  • 这个例子展示了如何指定一个FPGA执行环境。

    net=vgg19；quantobj=dl量化器（net，“执行环境”,FPGA的）;

此示例演示如何量化神经网络卷积层中的可学习参数，并探索量化网络的行为squeezenet神经网络经过再训练后，根据网络的特征对新图像进行分类训练深度学习网络对新图像进行分类的例子。在这个例子中，网络所需的内存通过量化减少了约75%，而网络的准确性却没有受到影响。

加载预先训练的网络。

净
net = DAGNetwork with properties: Layers: [68x1 nnet.cnn.layer.Layer] Connections: [75x2 table] InputNames: {'data'} OutputNames: {'new_classoutput'}

定义用于量化的校准和验证数据。

校准数据用于收集网络卷积层和完全连接层中权重和偏差的动态范围以及网络所有层中激活的动态范围。为了获得最佳量化结果，校准数据必须代表网络的输入。

验证数据用于量化后的网络测试，以了解网络中量化卷积层的有限范围和精度的影响。

在本例中，使用水星数据集。定义一个增强图像数据存储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。

解压(“MerchData.zip”）;imd = imageDatastore (“水星”,...“IncludeSubfolders”符合事实的...“LabelSource”,“foldernames”); [calData，valData]=splitEachLabel（imds，0.7，“随机”); aug_calData=增强图像数据存储（[227 227]，calData）；aug_valData=增强图像数据存储（[227 227]，valData）；

创建一个数字量化器对象并指定要量化的网络。

quantObj=数字量化器（净）；

定义用于比较量化前后网络行为的度量函数。将此函数保存在本地文件中。

函数精度=HcomputeModelAccurance（预测核心、网络、数据存储）%%计算模型级精度统计信息负载地面真实值tmp=读取所有（数据存储）；groundTruth=tmp.response；%将预测标签与实际情况进行比较predictionError = {};对于idx=1:numel(groundTruth) [~， idy] = max(predictionScores(idx，:)); / /将groundTruth改为groundTruthyActual = net.Layers(结束). class(补贴);predictionError{end+1} = (yActual == groundTruth(idx));%#嗯终止%汇总所有预测错误。predictionError=[predictionError{:}]；精度=总和（预测误差）/numel（预测误差）；终止

指定度量函数中的度量值dlquantizationOptions对象。

quantOpts=dlquantizationOptions(“MetricFcn”,...{@（x）HcomputeModelAccurance（x，net，aug_valData）}；

使用校准函数用于使用样本输入练习网络并收集范围信息校准函数练习网络，并收集网络卷积层和完全连接层中的权重和偏差的动态范围，以及网络所有层中激活的动态范围。函数返回一个表。表的每一行包含优化网络的可学习参数的范围信息rk。

计算结果=校准（quantObj，aug_calData）
calResults = 95 x5表优化层名称网络层名称可学的/激活MinValue MaxValue  __________________________________________________ _________________________ ________________________ __________ ___________ {' conv1_relu_conv1_Weights’}{‘relu_conv1}“权重”-0.91985 - 0.88489{‘conv1_relu_conv1_Bias} {' relu_conv1 '}“偏见”-0.07925 - 0.26343{‘fire2-squeeze1x1_fire2-relu_squeeze1x1_Weights}{‘fire2-relu_squeeze1x1}“权重”-1.38 - 1.2477{‘fire2-squeeze1x1_fire2-relu_squeeze1x1_Bias}{‘fire2-relu_squeeze1x1}“偏见”-0.11641 - 0.24273{‘fire2-expand1x1_fire2-relu_expand1x1_Weights}{‘fire2-relu_expand1x1}“权重”-0.7406 - 0.90982{' fire2-expand1x1_fire2-relu_expand1x1_Bias}{‘fire2-relu_expand1x1}“偏见”-0.060056 - 0.14602{‘fire2-expand3x3_fire2-relu_expand3x3_Weights}{‘fire2-relu_expand3x3}“权重”-0.74397 - 0.66905{‘fire2-expand3x3_fire2-relu_expand3x3_Bias}{‘fire2-relu_expand3x3}“偏见”-0.051778 - 0.074239 {' fire3-squeeze1x1_fire3-relu_squeeze1x1_Weights '}{'fire3-relu_squeeze1x1'} "Weights" -0.77263 0.68897 {'fire3-squeeze1x1_fire3-relu_squeeze1x1_Bias' } {'fire3-relu_squeeze1x1'} "Bias" -0.10141 0.32678 {'fire3-expand1x1_fire3-relu_expand1x1_Weights' } {'fire3-relu_expand1x1' } "Weights" -0.72131 0.97287 {'fire3-expand1x1_fire3-relu_expand1x1_Bias' } {'fire3-relu_expand1x1' } "Bias" -0.067043 0.30424 {'fire3-expand3x3_fire3-relu_expand3x3_Weights' } {'fire3-relu_expand3x3' } "Weights" -0.61196 0.77431 {'fire3-expand3x3_fire3-relu_expand3x3_Bias' } {'fire3-relu_expand3x3' } "Bias" -0.053612 0.10329 {'fire4-squeeze1x1_fire4-relu_squeeze1x1_Weights'} {'fire4-relu_squeeze1x1'} "Weights" -0.74145 1.0888 {'fire4-squeeze1x1_fire4-relu_squeeze1x1_Bias' } {'fire4-relu_squeeze1x1'} "Bias" -0.10886 0.13882 ...

使用验证函数对网络的卷积层中的可学习参数进行量化，并对网络进行锻炼。中定义的度量函数dlquantizationOptions目的比较网络量化前后的结果。

valResults=验证（quantObj、aug_valData、quantOpts）
valResults=带字段的结构：NumSamples:20 MetricResults:[1x1结构]

检查测量结果字段的验证输出以查看量化网络的性能。

valResults.MetricResults.Result
ans = 2 x3表NetworkImplementation MetricOutput LearnableParameterMemory(字节 ) _____________________ ____________ _______________________________ {' 浮点'}1 2.9003 e + 06{“量子化”}1 7.3393 e + 05

在本例中，通过量化，网络所需的内存减少了约75%。网络的精度不受影响。

中指定的网络卷积层的权重、偏差和激活数字量化器对象现在使用缩放的8位整数数据类型。

此示例演示如何量化神经网络卷积层中的可学习参数，并探索量化网络的行为标识网神经网络。量化通过将网络层的权重、偏差和激活量化为8位比例整数数据类型，有助于减少深度神经网络的内存需求。使用MATLAB®从目标设备检索预测结果。

要运行此示例，您需要下面列出的产品s manbetx 845FPGA在量化工作流先决条件．

有关其他要求，请参见量化工作流先决条件．

在当前工作目录中创建一个名为getLogoNetwork.m。在文件中输入以下行：

函数net = getLogoNetwork() data = getLogoNetwork(); / /网= data.convnet;终止函数data=getLogoData（）如果~isfile(“LogoNet.mat”) url ='//www.tianjin-qmedu.com/万博1manbetxsupportfiles/gpucoder/cnn_models/logo_detection/LogoNet.mat'; 韦伯萨夫(“LogoNet.mat”url);终止数据=负载(“LogoNet.mat”）;终止

加载预先训练的网络。

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。

校准数据用于收集网络卷积层和完全连接层中权重和偏差的动态范围以及网络所有层中激活的动态范围。为了获得最佳量化结果，校准数据必须代表网络的输入。

验证数据用于量化后的网络测试，以了解网络中量化卷积层的有限范围和精度的影响。

中的图像logos_dataset数据集。定义一个增强图像数据存储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。

curDir=pwd；newDir=fullfile（matlabroot、，“例子”,“深度学习共享”,“数据”,“logos_dataset.zip”)；复制文件（newDir，curDir）；解压缩(“logos_dataset.zip”)；imageData=imageDatastore（完整文件（curDir，“logos_dataset”)，...“IncludeSubfolders”符合事实的“FileExtensions”,“.JPG”,“LabelSource”,“foldernames”); [calibrationData，validationData]=拆分每个标签（imageData，0.5，“随机”）;

创建一个数字量化器对象并指定要量化的网络。

dlQuantObj=dlquantizer（snet，“执行环境”,FPGA的）;

使用校准函数用于使用样本输入练习网络并收集范围信息校准函数练习网络，并收集网络卷积层和完全连接层中的权重和偏差的动态范围，以及网络所有层中激活的动态范围。函数返回一个表。表的每一行包含优化网络的可学习参数的范围信息rk。

dlQuantObj.calibrate (calibrationData)
目前，UUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUUU“权重”—0.048978 0.039352{conv_1_Bias'}{conv_1'}“Bias”0.99996 1.0028{conv_2_Weights'}{conv_2'}“权重”0.0.055518 0.0.055518 0.0.055518 0.0.055 5 5.5 5 5 5 0.5 5 5 18 0.5 5 5 18 0.0 0 0.5 5 5 5 5 18 0.5 5 5 5 5 5 5 5 5 5 0.5 5 5 5 5 5 0 0 0 0.0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0037892{'fc_1_Weights'}{'fc_1'}“Weights”0.00052319 0.00084454 0.000844 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 4 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 imageinput'}{'imageinput'}“激活”0 255{'imageinput_normalization'}{'imageinput'}“激活”-139.34 198.72

使用目标设备的自定义名称和接口创建目标对象，以将目标设备连接到主机。接口选项为JTAG和Ethernet。要创建目标对象，请输入：

hTarget=dlhdl.Target(“英特尔”,“界面”,“JTAG”）;

定义用于比较量化前后网络行为的度量函数。将此函数保存在本地文件中。

函数hComputeAccuracy = hComputeAccuracy(predictionScores, net, dataStore)%%hComputeAccuracy测试辅助函数计算模型级精度统计信息%MathWorks，Inc.版权所有。负载地面真实值groundTruth=数据存储。标签；%将预测标签与实际情况进行比较predictionError = {};对于idx=1:numel(groundTruth) [~， idy] = max(predictionScores(idx，:)); / /将groundTruth改为groundTruthyActual = net.Layers(结束). class(补贴);predictionError{end+1} = (yActual == groundTruth(idx));%#嗯终止%汇总所有预测错误。predictionError=[predictionError{:}]；精度=总和（预测误差）/numel（预测误差）；终止

指定度量函数中的度量值dlquantizationOptions对象。

选择= dlquantizationOptions (“MetricFcn”,...{@ (x) hComputeModelAccuracy (x, snet validationData)},“比特流”,“arria10soc_int8”,...“目标”, hTarget);

要编译和部署量化网络，请运行验证委员会的职能数字量化器对象。使用验证函数对网络的卷积层中的可学习参数进行量化，并对网络进行锻炼。该函数使用compile函数的输出，利用编程文件对FPGA板进行编程。它还下载了网络权重和偏差。deploy功能检查Intel Quartus工具和支持的工具版本。万博1manbetx然后它通过使用sof文件开始对FPGA设备编程，显示进度消息，以及部署网络所需的时间。中定义的度量函数dlquantizationOptions目的比较网络量化前后的结果。

预测= dlQuantObj.validate (validationData选项);
offset_name offset_address Allocated_space ____________________________________________________________________________________________________________________00000000“”0x03000000“”4.0 MB“”SYSTEMBUFFEROFFSET“”0x03400000“”0x03400000“”60.0 MB“”0x07000000“”8.0 MB“”CONCHWEIGHTDATAOFFSOFS“”。0x07800000“8.0 MB”“FCWeightDataOffset”“0x08000000”“12.0 MB”“0x08C00000”“0x08C00000”“总数：140.0 MB”###编程FPGA比特流使用JTAG ... ###编程FPGA比特流已成功完成．###加载权重到CONC处理器。###加载了Conr权重。当前时间是16-jul-2020 12:45:10 ###加载FC处理器的权重。###加载FC重量。当前时间为16-jul-2020 12:45:26 ###完成写入输入激活。###正在运行单个输入激活。深度学习处理器分析器绩效结果LastLayerLatency（周期）LastLayerLatency（秒）FramesNum Total Latency Frames / s -------------  -   -   -   -   -   -   -   -   -   -   -   -------------- ---------CONC_4 455434 0.00304 MAXPOOL_4 11251 0.00008 FC_MODULE 903173 0.00602 FC_1 536164 0.00357 FC_2 342643 0.00228 0.00228 FC_3 24364 0.00016 * DL处理器的时钟频率为：150MHz ###完成写入输入激活。 ### Running single input activations. Deep Learning Processor Profiler Performance Results LastLayerLatency(cycles) LastLayerLatency(seconds) FramesNum Total Latency Frames/s ------------- ------------- --------- --------- --------- Network 13570364 0.09047 30 380612682 11.8 conv_module 12667103 0.08445 conv_1 3939296 0.02626 maxpool_1 1544371 0.01030 conv_2 2910747 0.01940 maxpool_2 577654 0.00385 conv_3 2551829 0.01701 maxpool_3 676548 0.00451 conv_4 455396 0.00304 maxpool_4 11355 0.00008 fc_module 903261 0.00602 fc_1 536206 0.00357 fc_2 342688 0.00228 fc_3 24365 0.00016 * The clock frequency of the DL processor is: 150MHz ### Finished writing input activations. ### Running single input activations. Deep Learning Processor Profiler Performance Results LastLayerLatency(cycles) LastLayerLatency(seconds) FramesNum Total Latency Frames/s ------------- ------------- --------- --------- --------- Network 13571561 0.09048 30 380608338 11.8 conv_module 12668340 0.08446 conv_1 3939070 0.02626 maxpool_1 1545327 0.01030 conv_2 2911061 0.01941 maxpool_2 577557 0.00385 conv_3 2552082 0.01701 maxpool_3 676506 0.00451 conv_4 455582 0.00304 maxpool_4 11248 0.00007 fc_module 903221 0.00602 fc_1 536167 0.00357 fc_2 342643 0.00228 fc_3 24409 0.00016 * The clock frequency of the DL processor is: 150MHz ### Finished writing input activations. ### Running single input activations. Deep Learning Processor Profiler Performance Results LastLayerLatency(cycles) LastLayerLatency(seconds) FramesNum Total Latency Frames/s ------------- ------------- --------- --------- --------- Network 13569862 0.09047 30 380613327 11.8 conv_module 12666756 0.08445 conv_1 3939212 0.02626 maxpool_1 1543267 0.01029 conv_2 2911184 0.01941 maxpool_2 577275 0.00385 conv_3 2552868 0.01702 maxpool_3 676438 0.00451 conv_4 455353 0.00304 maxpool_4 11252 0.00008 fc_module 903106 0.00602 fc_1 536050 0.00357 fc_2 342645 0.00228 fc_3 24409 0.00016 * The clock frequency of the DL processor is: 150MHz ### Finished writing input activations. ### Running single input activations. Deep Learning Processor Profiler Performance Results LastLayerLatency(cycles) LastLayerLatency(seconds) FramesNum Total Latency Frames/s ------------- ------------- --------- --------- --------- Network 13570823 0.09047 30 380619836 11.8 conv_module 12667607 0.08445 conv_1 3939074 0.02626 maxpool_1 1544519 0.01030 conv_2 2910636 0.01940 maxpool_2 577769 0.00385 conv_3 2551800 0.01701 maxpool_3 676795 0.00451 conv_4 455859 0.00304 maxpool_4 11248 0.00007 fc_module 903216 0.00602 fc_1 536165 0.00357 fc_2 342643 0.00228 fc_3 24406 0.00016 * The clock frequency of the DL processor is: 150MHz offset_name offset_address allocated_space _______________________ ______________ _________________ "InputDataOffset" "0x00000000" "48.0 MB" "OutputResultOffset" "0x03000000" "4.0 MB" "SystemBufferOffset" "0x03400000" "60.0 MB" "InstructionDataOffset" "0x07000000" "8.0 MB" "ConvWeightDataOffset" "0x07800000" "8.0 MB" "FCWeightDataOffset" "0x08000000" "12.0 MB" "EndOffset" "0x08c00000" "Total: 140.0 MB" ### FPGA bitstream programming has been skipped as the same bitstream is already loaded on the target FPGA. ### Deep learning network programming has been skipped as the same network is already loaded on the target FPGA. ### Finished writing input activations. ### Running single input activations. Deep Learning Processor Profiler Performance Results LastLayerLatency(cycles) LastLayerLatency(seconds) FramesNum Total Latency Frames/s ------------- ------------- --------- --------- --------- Network 13572329 0.09048 10 127265075 11.8 conv_module 12669135 0.08446 conv_1 3939559 0.02626 maxpool_1 1545378 0.01030 conv_2 2911243 0.01941 maxpool_2 577422 0.00385 conv_3 2552064 0.01701 maxpool_3 676678 0.00451 conv_4 455657 0.00304 maxpool_4 11227 0.00007 fc_module 903194 0.00602 fc_1 536140 0.00357 fc_2 342688 0.00228 fc_3 24364 0.00016 * The clock frequency of the DL processor is: 150MHz ### Finished writing input activations. ### Running single input activations. Deep Learning Processor Profiler Performance Results LastLayerLatency(cycles) LastLayerLatency(seconds) FramesNum Total Latency Frames/s ------------- ------------- --------- --------- --------- Network 13572527 0.09048 10 127266427 11.8 conv_module 12669266 0.08446 conv_1 3939776 0.02627 maxpool_1 1545632 0.01030 conv_2 2911169 0.01941 maxpool_2 577592 0.00385 conv_3 2551613 0.01701 maxpool_3 676811 0.00451 conv_4 455418 0.00304 maxpool_4 11348 0.00008 fc_module 903261 0.00602 fc_1 536205 0.00357 fc_2 342689 0.00228 fc_3 24365 0.00016 * The clock frequency of the DL processor is: 150MHz

检查测量结果字段的验证输出以查看量化网络的性能。

validateOut=预测.MetricResults.Result
ans = NetworkImplementation MetricOutput  _____________________ ____________ {' 浮点}0.9875 0.9875{“量子化”}

检查量化网络FPS字段的验证输出，以查看量化网络的每秒帧性能。

预测。量化网络fps
ans = 11.8126

中指定的网络卷积层的权重、偏差和激活数字量化器对象现在使用缩放的8位整数数据类型。

此示例演示如何导入数字量化器对象从基本工作区导入到深度网络量化器应用程序。这允许您使用命令行或应用程序开始对深度神经网络进行量化，然后在应用程序中继续您的工作。

加载网络以量化到基本工作空间中。

净
net = DAGNetwork with properties: Layers: [68x1 nnet.cnn.layer.Layer] Connections: [75x2 table] InputNames: {'data'} OutputNames: {'new_classoutput'}

定义用于量化的校准和验证数据。

校准数据用于收集网络卷积层和完全连接层中权重和偏差的动态范围以及网络所有层中激活的动态范围。为了获得最佳量化结果，校准数据必须代表网络的输入。

验证数据用于量化后的网络测试，以了解网络中量化卷积层的有限范围和精度的影响。

在本例中，使用水星数据集。定义一个增强图像数据存储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。

解压(“MerchData.zip”）;imd = imageDatastore (“水星”,...“IncludeSubfolders”符合事实的...“LabelSource”,“foldernames”); [calData，valData]=splitEachLabel（imds，0.7，“随机”); aug_calData=增强图像数据存储（[227 227]，calData）；aug_valData=增强图像数据存储（[227 227]，valData）；

创建一个数字量化器对象并指定要量化的网络。

quantObj=数字量化器（净）；

使用校准函数用于使用样本输入练习网络并收集范围信息校准函数练习网络，并收集网络卷积层和完全连接层中的权重和偏差的动态范围，以及网络所有层中激活的动态范围。函数返回一个表。表的每一行包含优化网络的可学习参数的范围信息rk。

计算结果=校准（quantObj，aug_calData）
结果=95x5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5表表表优化层优化层优化层优化层层层名称网络名称网络名称层名称网络层名称网络名称网络层名称网络名称网络层名称网络层名称网络名称网络层名称网络层名称网络层名称网络层名称网络层名称网络层名称网络层名称网络层名称层名称层名称层名称网络名称层名称层名称网络名称网络名称Uuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuuu“偏压”—0.07925 0.26343{'fire2-squeeze1x1_fire2-relu-Squeeze1x1x1_重量”}{'fire2-relu-Squeeze1x1x1x1x1x1'}“偏压”—1.381.2477{'fire2-squeeze1x1_fire2-relu-squeeze1x1_偏压'}{'fire2-relu-Squeeze1x1x1'}“偏压”—0.11641 0.2473{'fire2-expand1x1_-expand1x1_-relu-squeeze1x1重量”}-980.906}“bia”bia“bia”bia“bia”bia“bia”bia”bia“bia”bia“bia”bia“bia”bia“bia”bia”0.060056 0.146020.146020.146022“bi2-exp2-exp2-exp2-exp2-exp2-exp2-exp2-exp2-exp2-exp2-exp2-exp2-2-3-3-3-3-3-3-3-3-3-3-3-3-2-2-2-2-2-2-2-消防2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-2-3膨胀3膨胀3膨胀3-2-2-2-2-2-2-2-2-2-2-2-2-2-3膨胀3 3}{'fire3-relu_Squeeze1x1x1'}“权重”-0.77262 0.68583{'fire3-squeeze1x1_fire3-relu_Squeeze1x1x1x1'}“偏差”-0.10145 0.32669{'fire3-expand1x1_fire3-relu expand1x1_权重'}{'fire3-relu expand1x1'}“权重”-0.72083 0.97157}“-0.067019 0.30422{'fire3-expand3x3_fire3-relu expand3x3_Weights'}{'fire3-relu expand3x3'}”Weights'-0.61403 0.77544{'fire3-expand3x3_fire3-relu expand3x3_Bias'}{'fire3-relu expand3x3'}Bias'}-0.053621 0.1033{'fire4-expand1x1{'fire4-squeze1x1_fire4-relu-squeze1x1_Bias'}{'fire4-relu-squeze1x1'}“Bias”-0.10885 0.13875。。。

打开深度网络量化器应用程序。

deepNetworkQuantizer

在应用程序中，单击新选择导入量化对象．

深度网络量化器导入dlquantizer对象

在对话框中，选择数字量化器要从基本工作区导入的对象。

选择要导入的dlquantizer对象

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。此数据可以包括要量化的网络、校准数据、验证数据和校准统计信息。

该应用程序将显示一个表格，其中包含导入的校准数据数字量化器对象,quantObj．在表格的右侧，应用程序显示了参数的动态范围的直方图。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，请参见深度神经网络的量化．

深度网络量化器应用程序

另见

应用程序

功能

话题

在R2020a中引入

深度学习工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书