Main Content

本页的翻译已过时。点击此处可查看最新英文版本。

加载预训练网络以用于代码生成

您可以为经过预训练的卷积神经网络 (CNN) 生成代码。要向代码生成器提供网络,请从经过训练的网络中加载一个 SeriesNetwork (Deep Learning Toolbox)DAGNetwork (Deep Learning Toolbox)yolov2ObjectDetector (Computer Vision Toolbox)ssdObjectDetector (Computer Vision Toolbox)dlnetwork (Deep Learning Toolbox) 对象。

使用 coder.loadDeepLearningNetwork 加载网络

您可以使用 coder.loadDeepLearningNetwork 从任何支持代码生成的网络加载网络对象。您可以从 MAT 文件中指定网络。MAT 文件必须只包含要加载的网络。

例如,假设您使用 trainNetwork (Deep Learning Toolbox) 函数创建了一个名为 myNet 的经过训练的网络对象。然后,您可以通过输入 save 来保存工作区。这将创建一个名为 matlab.mat 的文件,其中包含网络对象。要加载网络对象 myNet,请输入:

net = coder.loadDeepLearningNetwork('matlab.mat');

您还可以通过提供函数名称的方式来指定网络,指定的函数须能返回经过预训练的 SeriesNetworkDAGNetworkyolov2ObjectDetectorssdObjectDetector 对象,例如:

例如,通过输入以下命令加载网络对象:

net = coder.loadDeepLearningNetwork('googlenet');

上述 Deep Learning Toolbox™ 函数要求您安装适用于各函数的支持包。请参阅预训练的深度神经网络 (Deep Learning Toolbox)

为代码生成指定网络对象

如果您使用 codegen 或 App 生成代码,请使用 coder.loadDeepLearningNetwork 将网络对象加载到您的入口函数内。例如:

function out = myNet_predict(in) %#codegen

persistent mynet;

if isempty(mynet)
    mynet = coder.loadDeepLearningNetwork('matlab.mat');
end
out = predict(mynet,in);

对于可用作支持包函数(如 alexnetinceptionv3googlenetresnet)的预训练网络,您可以直接指定支持包函数,例如,通过编写 mynet = googlenet

接下来,为入口函数生成代码。例如:

cfg = coder.config('mex');
cfg.TargetLang = 'C++';
cfg.DeepLearningConfig = coder.DeepLearningConfig('mkldnn'); 
codegen -args {ones(224,224,3,'single')} -config cfg myNet_predict

为代码生成指定 dlnetwork 对象

假设在 MAT 文件 mynet.mat 中有一个预训练的 dlnetwork 网络对象。要预测此网络的响应,请在 MATLAB® 中创建一个入口函数,如以下代码所示。

function a = myDLNet_predict(in)
dlIn = dlarray(in, 'SSC');

persistent dlnet;
if isempty(dlnet)
    dlnet = coder.loadDeepLearningNetwork('mynet.mat');
end

dlA = predict(dlnet, dlIn);

a = extractdata(dlA);

end

在此示例中,myDLNet_predict 的输入和输出属于更简单的数据类型,并且 dlarray 对象是在该函数中创建的。dlarray 对象的 extractdata (Deep Learning Toolbox) 方法在 dlarray dlA 中返回数据作为 myDLNet_predict 的输出。输出 adlA 中的基础数据类型具有相同的数据类型。这种入口函数设计具有以下优点:

  • 更容易与独立的代码生成工作流(如静态、动态库或可执行文件)集成。

  • extractdata 函数输出的数据格式在 MATLAB 环境和生成代码中具有相同的顺序 ('SCBTU')。

  • 可提高 MEX 工作流的性能。

  • 可使用 MATLAB Function 模块简化 Simulink® 工作流,因为 Simulink 不内生支持 dlarray 对象。

接下来,为入口函数生成代码。例如:

cfg = coder.config('lib');
cfg.TargetLang = 'C++';
cfg.DeepLearningConfig = coder.DeepLearningConfig('mkldnn'); 
codegen -args {ones(224,224,3,'single')} -config cfg myDLNet_predict

另请参阅

函数

对象

相关主题