用于深度学习网络的代码生成
这个示例展示了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，通过使用图像分类网络，诸如MobileNet-V2，RESNET和GoogLeNet运行预测的MEX功能。
先决条件
启用CUDA®GPUNVIDIA®计算能力3.2或更高版本。
NVIDIA CUDA工具包和司机。
英伟达cuDNN图书馆。
环境变量的编译器和库。有关编译器和库的支持版本的信息，请参阅万博1manbetx第三方产品s manbetx 845。对于设置环境变量，看设置前提条件的产品s manbetx 845。
GPU编码器接口深度学习库的支持包。万博1manbetx要安装此支持包，使用万博1manbetx扩展浏览器。
验证GPU环境
使用coder.checkGpuInstall函数来验证所必需的运行该示例中，编译器和库的设置是否正确。
envCfg = coder.gpuEnvConfig（“主机”);envCfg.DeepLibTarget ='cudnn';envCfg。DeepCodegen = 1;envCfg。安静= 1;coder.checkGpuInstall (envCfg);
mobilenetv2_predict入口点函数
MobileNet-v2是一个卷积神经网络，它对来自ImageNet数据库的100多万张图像进行训练。这个网络有155层，可以将图像分成1000个对象类别，比如键盘、鼠标、铅笔和许多动物。网络的图像输入大小为224×224。使用analyzeNetwork功能显示交互式可视化的深度学习网络架构。
网= mobilenetv2 ();analyzeNetwork(净);
的mobilenetv2_predict.m入口点函数接受图像输入，使用预先训练好的MobileNet-v2卷积神经网络对图像进行预测。该函数使用一个持久对象mynet加载串联网络对象，并重用presistent对象对后续调用进行预测。
类型('mobilenetv2_predict.m')
％版权所有2017年至2019年MathWorks公司功能OUT = mobilenetv2_predict（上）％＃CODEGEN持久我的网;如果的isEmpty（我的网）我的网= coder.loadDeepLearningNetwork（ 'mobilenetv2'， 'mobilenetv2'）;结束输入％的合格出= mynet.predict（IN）;
运行MEX代码生成
来生成CUDA代码的mobilenetv2_predict入口点函数，用于创建一个MEX目标一个GPU代码配置对象和目标语言设置为C ++。使用coder.DeepLearningConfig函数来创建CuDNN深度学习配置对象，并将其分配给DeepLearningConfig图形处理器代码配置对象的属性。运行codegen命令并且指定[224,224,3]的输入大小。此值对应于MobileNet-V2网络的输入层的大小。
cfg = coder.gpuConfig (墨西哥人的);cfg。TargetLang =“c++”;cfg.DeepLearningConfig = coder.DeepLearningConfig（'cudnn');codegen配置cfgmobilenetv2_predictarg游戏{1 (224224 3)}-报告
代码生成成功：要查看报告，打开（ '代码生成/ MEX / mobilenetv2_predict / HTML / report.mldatx'）。
生成的代码描述
该系列网络是作为一个c++类生成的，包含155个层类和用于设置、调用预测和清理网络的函数。
类b_mobilenetv2_0{...。公共：b_mobilenetv2_0（）;空隙设置（）;空隙预测（）;空隙清理（）;〜b_mobilenetv2_0（）;};
的设置()类设置手柄和分配存储器，用于所述网络对象的每一层的方法。的预测()方法执行为每个网络中的155层的预测。
的入口点函数mobilenetv2_predict ()在生成的代码文件中mobilenetv2_predict.cu构造的静态对象b_mobilenetv2类类型并调用设置和预测该网络对象。
静态b_mobilenetv2_0mynet;静态boolean_Tmynet_not_empty;
/ *函数定义* /无效mobilenetv2_predict(const real_T in[150528]， real32_T out[1000]){如果(！mynet_not_empty）{DeepLearningNetwork_setup（我的网）;mynet_not_empty = TRUE;}
/*通过输入*/ DeepLearningNetwork_predict(&mynet, in, out);}
将二进制文件导出为网络中具有完全连接层和卷积层等参数的层。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MEX
加载的输入图像。
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));
获得前五名的预测分数和他们的标签。
[分数，INDX] =排序（predict_scores，“降序”);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,'可能性')yticklabels (ax2 classNamesTop (5: 1:1)) ax2。YAxisLocation =“对”;sgtitle (“使用MobileNet-v2的五大预测”)
分类的视频
附带的辅助函数mobilenet_live.m从网络摄像机抓取帧，执行预测，并在每个捕获的视频帧上显示分类结果。本例使用这是由MATLAB®Support万博1manbetx Package的USB摄像头支持™功能。您可以下载，并通过安装支持包万博1manbetx万博1manbetx支持包安装程序。
类型('mobilenet_live.m')
MathWorks, Inc.的函数mobilenet_live %连接到摄像头%预测得分前5名的标签被%映射到相应的标签net = mobilenetv2();一会= net.Layers .ClassNames(结束);imfull = 0 (224,400,3， 'uint8');fps = 0;ax =轴;而true %拍照ipicture = camera.snapshot;%调整图片大小并将其转换为单个图片= imresize(ipicture，[224,224]);调用MEX函数进行MobileNet-v2预测tic;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
清除在内存中加载的静态网络对象。
清晰的墨西哥人;
利用ResNet-50网络对图像进行分类
您还可以使用DAG网络RESNET-50图像分类。预训练RESNET-50模型MATLAB是提供深度学习工具箱的RESNET-50支持包。万博1manbetx要下载和安装支持包，请使用加载项资源管理器。万博1manbetx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)。
净= resnet50;disp(净)
带属性的DAGNetwork: Layers:[177×1 nnet.cn .layer. layer]连接:[192×2 table] InputNames: {'input_1'}输出名:{'ClassificationLayer_fc1000'}
运行MEX代码生成
来生成CUDA代码的resnet_predict.m入口点函数，用于创建一个MEX目标一个GPU代码配置对象和目标语言设置为C ++。这个入口点函数调用resnet50函数用于加载网络并对输入图像进行预测。
cfg = coder.gpuConfig (墨西哥人的);cfg。TargetLang =“c++”;cfg.DeepLearningConfig = coder.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，打开（ '代码生成/ MEX / resnet_predict / HTML / report.mldatx'）。
调用resnet_predict_mex在输入图像上。
predict_scores = resnet_predict_mex（双（IM））;
获得前五名的预测分数和他们的标签。
[分数，INDX] =排序（predict_scores，“降序”);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,'可能性')yticklabels (ax2 classNamesTop (5: 1:1)) ax2。YAxisLocation =“对”;sgtitle (“使用ResNet-50的五大预测”)
清除在内存中加载的静态网络对象。
清晰的墨西哥人;
利用GoogLeNet (Inception)网络对图像进行分类
在深度学习工具箱的GoogLeNet支持包中提供了一个用于MATLAB的预先训练的GoogLeNet模型。万博1manbetx要下载和安装支持包，请使用加载项资源管理器。万博1manbetx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)
DAGNetwork与属性：层：[144×1 nnet.cnn.layer.Layer]连接：[170×2表] InputNames：{ '数据'} OutputNames：{ '输出'}
运行MEX代码生成
为。生成CUDA代码googlenet_predict.m入口点函数。这个入口点函数调用googlenet函数用于加载网络并对输入图像进行预测。为了产生用于这入口点函数代码，创建用于MEX目标一个GPU配置对象。
cfg = coder.gpuConfig (墨西哥人的);cfg。TargetLang =“c++”;cfg.DeepLearningConfig = coder.DeepLearningConfig（'cudnn');codegen配置cfggooglenet_predictarg游戏{1 (224224 3)}-报告
代码生成成功:打开报告(“codegen/mex/googlenet_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));
获得前五名的预测分数和他们的标签。
[分数，INDX] =排序（predict_scores，“降序”);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,'可能性')yticklabels (ax2 classNamesTop (5: 1:1)) ax2。YAxisLocation =“对”;sgtitle (“五大预测使用GoogLeNet”)
清除在内存中加载的静态网络对象。
清晰的墨西哥人;
