第三方的先决条件

要求

这个示例生成CUDA MEX，并具有以下第三方需求。

可选

对于非mex构建，如静态、动态库或可执行文件，本示例有以下额外需求。

验证GPU环境

使用coder.checkGpuInstall(GPU编码器)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 (“主机”）;envCfg。DeepLibTarget =“cudnn”；envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);

的lstmnet_predict入口点函数

序列到序列的LSTM网络使您能够对数据序列的每个时间步长做出不同的预测。的lstmnet_predict.m入口点函数接受一个输入序列，并将其传递到经过训练的LSTM网络进行预测。具体来说，该函数使用了在基于深度学习的序列到序列分类的例子。对象加载网络对象lstmnet_predict.mat文件到持久变量中，并在随后的预测调用中重用持久对象。

要显示有关网络层的网络架构和信息的交互式可视化，请使用analyzeNetwork函数。

类型(“lstmnet_predict.m”）

function out = lstmnet_predict(in) %#codegen % Copyright 2019 The MathWorks, Inc. persistent mynet;if isempty(mynet) mynet = coder.loadDeepLearningNetwork('lstmnet.mat');* * * * * * * * * * * * * * * * * *

生成CUDA墨西哥人

为CUDA MEX生成lstmnet_predict.m入口点函数，创建一个GPU配置对象，并指定目标为MEX。将目标语言设置为c++。创建一个深度学习配置对象，将目标库指定为cuDNN。将这个深度学习配置对象绑定到GPU配置对象。

cfg = coder.gpuConfig (墨西哥人的）;cfg。TargetLang =“c++”；cfg。DeepLearningConfig =编码器。DeepLearningConfig (“cudnn”）;

在编译时，GPU编码器™必须知道所有输入到入口点函数的数据类型。属性的输入参数的类型和大小codegen(MATLAB编码器)命令，使用coder.typeof(MATLAB编码器)函数。对于本例，输入是双数据类型，特征维值为3，序列长度可变。将序列长度指定为可变大小，使我们能够对任意长度的输入序列执行预测。

matrixInput = coder.typeof(double(0)，[3 Inf]，[false true]);

执行codegen命令。

codegen配置cfglstmnet_predictarg游戏{matrixInput}报告

代码生成成功:要查看报告，打开('codegen/mex/lstmnet_predict/html/report.mldatx')。

在测试数据上运行生成的MEX

加载HumanActivityValidateMAT-file。这个mat文件存储这个变量XValidate它包含传感器读数的样本时间序列，您可以在上面测试生成的代码。调用lstmnet_predict_mex第一次观察。

负载HumanActivityValidateYPred1 = lstmnet_predict_mex (XValidate {1});

YPred1是一个5 × 53888的数字矩阵，包含了每一个53888时间步长的五个类的概率。对于每一个时间步，通过计算最大概率的指标来找到预测类。

[~， maxIndex] = max(YPred1， []， 1);

将最大概率的指标与相应的标签关联起来。显示前十个标签。从结果中可以看出，网络预测了人在前十个时间步是坐着的。

标签=分类({“跳舞”，“奔跑”，“坐”，“站”，“走”});predictedLabels1 =标签(maxIndex);disp (predictedLabels1 (1:10))

第7到10列坐着坐着坐着坐着

将预测结果与测试数据进行比较

使用图表将MEX输出数据与测试数据进行比较。

图绘制(predictedLabels1,“。”）;持有在情节(YValidate {1});持有从包含(“时间步”) ylabel (“活动”)标题(“预测活动”)传说([“预测”“测试数据”])

在不同序列长度的观测上生成的MEX调用

调用lstmnet_predict_mex对不同序列长度的第二次观测。在这个例子中,XValidate {2}序列长度为64480，而XValidate {1}序列长度为53888。生成的代码正确地处理预测，因为我们将序列长度维度指定为可变大小。

YPred2 = lstmnet_predict_mex (XValidate {2});[~， maxIndex] = max(YPred2， []， 1);predictedLabels2 =标签(maxIndex);disp (predictedLabels2 (1:10))

第7到10列坐着坐着坐着坐着

生成接受多个观察的MEX

如果希望同时对许多观测执行预测，可以将这些观测分组到一个单元格阵列中，并传递单元格阵列进行预测。单元格阵列必须是列单元格阵列，并且每个单元格必须包含一个观察结果。每个观测必须具有相同的特征维数，但序列长度可能不同。在这个例子中,XValidate包含五个观察。生成一个可以接收XValidate作为输入，指定输入类型为5 × 1单元格数组。此外，指定每个单元格的类型与matrixInput，即您在前面为单个观察指定的类型codegen命令。

matrixInput = coder.typeof(double(0)，[3 Inf]，[false true]);cellInput =编码器。typeof ({matrixInput} 1 [5]);codegen配置cfglstmnet_predictarg游戏{cellInput}报告YPred3 = lstmnet_predict_mex (XValidate);

代码生成成功:要查看报告，打开('codegen/mex/lstmnet_predict/html/report.mldatx')。

输出是一个5 × 1单元格阵列，其中包含了传入的5个观测的预测。

disp (YPred3)

{5×53888 single} {5×64480 single} {5×53696 single} {5×56416 single} {5×50688 single}

使用有状态LSTM生成MEX

不需要在一个步骤中传递整个时间序列来进行预测，我们可以利用函数，通过每次一个时间步的流来对输入进行预测predictAndUpdateState这个函数接受一个输入，产生一个输出预测，并更新网络的内部状态，以便将来的预测考虑到这个初始输入。

的入口点函数lstmnet_predict_and_update.m获取单时间步输入并使用predictAndUpdateState函数。predictAndUpdateState输出对输入时间步长的预测，并更新网络，以便后续的输入被视为同一样本的后续时间步。每次一个传入所有时间步后，结果输出与将所有时间步作为单个输入传入相同。

类型(“lstmnet_predict_and_update.m”）

function out = lstmnet_predict_and_update(in) %#codegen % Copyright 2019 The MathWorks, Inc. persistent mynet;if isempty(mynet) mynet = coder.loadDeepLearningNetwork('lstmnet.mat');/ /输入[mynet, out] = predictAndUpdateState(mynet,in);

在这个新设计文件上运行代码生成器。由于我们在每个调用中只接受一个时间步长，所以我们指定matrixInput固定的序列维数为1，而不是可变的序列长度。

matrixInput = coder.typeof(double(0)，[3 1]);codegen配置cfglstmnet_predict_and_updatearg游戏{matrixInput}报告

代码生成成功:要查看报告，请打开('codegen/mex/lstmnet_predict_and_update/html/report.mldatx')。

在第一个验证示例的第一个时间步上运行生成的MEX。

firstSample = XValidate {1};firstTimestep = firstSample (: 1);YPredStateful = lstmnet_predict_and_update_mex (firstTimestep);[~， maxIndex] = max(YPredStateful， []， 1);predictedLabelsStateful1 =标签(maxIndex)

predictedLabelsStateful1 =分类坐

将输出标签与ground truth进行比较。

YValidate {1} (1)

ans =绝对坐姿