cnncodegen

为深度学习网络生成代码以定位手臂马里GPU

在页面中崩溃

句法

cnncodegen（net，'targetlib'，'臂计算 - 马里'）

cnncodegen（net，'targetlib'，'臂计算 - 马利人，靶标）

描述

cnncodegen（网，“ targetlib'，“武器计算 - 马里”）通过使用ARM生成指定网络对象的C ++代码^®计算Mali GPU的库。

需要GPU CODER™产品和深度学习库的GPU编码器界面。

例子

cnncodegen（网，“ targetlib'，“臂符号 - 马里”，靶标）通过使用其他代码生成选项使用ARM Compute库来为指定的网络对象生成C ++代码。

例子

全部收缩

生成C ++代码，以用于验证的网络以在ARM处理器上运行

利用cnncodegen为了生成验证网络的C ++代码，以部署到ARM MALI图形处理器。

通过使用该验证的GoogLenet模型Googlenet（深度学习工具箱）功能。此功能需要GoogleNet网络的深学习Toolbox™模型。如果您尚未安装此支持包，则该功能提供了下载链接。万博1manbetx或者，请参见//www.tianjin-qmedu.com/matlabcentral/fileexchange/64456-deep-learning-toolbox-model-for-googlenet-network。

net = googlenet;

通过使用cnncodegen和“ targetlib'调成'臂计算 - 麦利'。默认情况下，代码生成器目标版本'19 .05'手臂。要定位不同版本的计算库，请使用“臂章”范围。

cnncodegen（net，“ targetlib'，，，，'臂计算 - 麦利'...，，，，“目标帕拉姆”，struct（struct（“臂章”，，，，'19 .02'）;

---------------------------------------------------------------------------------------------------------- Compilation suppressed: generating code only.------------------------------------------------------------------------------------------------------------------ ### Codegen成功生成了为ARM设备生成的

代码生成器生成.cpp和标题文件'/pwd/codegen'文件夹。DAG网络被生成为C ++类称为cnnmain，包含87层类的数组。代码生成器减少了层的数量是卷积和批处理标准化层的图层融合优化。这设置（）该类的方法设置了手柄并为每个层对象分配资源。这预测（）方法调用网络中87层中的每一层的预测。这清理（）方法释放为每个图层对象分配的所有内存和系统资源。所有的二元重量（CNN _ ** _ W）和偏差文件（CNN _ ** _ b）对于网络的卷积层存储在代码根文件夹。

要构建库，请将生成的代码移至ARM目标平台并使用生成的Makefilecnnbuild_rtw.mk。

输入参数

全部收缩

`网`-预处理深度学习网络对象
角色向量|字符串标量

预估计系列网络或者dagnetwork目的。

笔记

cnncodegen不支持万博1manbetxdlnetwork对象。

`靶标`-特定于库的参数
结构体

ARM计算图书馆特定参数指定为1-经过-1结构包含这些表中描述的字段。

场地	描述
`臂章`	目标硬件上的ARM计算库的版本，指定为`'19 .02'`或者`'19 .05'`。默认值是`'19 .05'`。如果您设置`臂章`比版本晚`'19 .05'`，，，，`臂章`被设定为`'19 .05'`。

版本历史记录

在R2017b中引入

展开全部

R2021A：对目标库支持的更改万博1manbetx

来自R2021b，cnncodegen（GPU编码器）函数生成C ++代码和MakeFiles，仅通过使用ARM Compute库来构建ARM MALI GPU处理器构建静态库，用于计算机视觉和机器学习。

对于所有其他目标，请使用代码根命令。在MATLAB中编写一个入口点功能^®使用coder.loaddeeplearningnetwork（GPU编码器）功能加载深度学习模型并调用预测（深度学习工具箱）预测响应。例如，

功能out = googlenet_predict（in）％＃codegen执着的mynet;如果isempty（mynet）mynet = coder.loaddeeplearningnetwork（'googlenet'）；结尾％通过输入out =预测（mynet，in）;

该表显示了一些典型用法cnncodegen以及如何更新您的代码代码根反而。

目标工作流程不建议推荐的

目标工作流程	不建议	推荐的
ARM CPU处理器支持万博1manbetx`氖`指示	设置`“ targetlib'`参数为`“手臂计算”`。指定ARM计算库版本以生成代码和目标硬件上的ARM架构`“目标帕拉姆”`范围。 cnncodegen（net，“ targetlib'...，，，，“手臂计算”，，，，“目标帕拉姆”...，struct（struct（“臂章”...，，，，'19 .02'，，，，“手臂结构”...，，，，'armv8'））其他支持版本万博1manbetx的ARM计算库是`'18 .11'`，，，，`'19 .02'`，，，，`'19 .05'`，或者`'20 .02.1'`。默认值是`'20 .02.1'`。如果您设置`臂章`比版本晚`'20 .02.1'`，，，，`臂章`被设定为`'20 .02.1'` 您可以将手臂架构指定为`'ARMV7`或者`'armv8'`。指定的体系结构必须与目标硬件上的ARM计算库的体系结构相同。	创建一个`coder.config`用于生成静态库的配置对象。 cfg = coder.config（'lib'）；cfg.targetlang ='C ++'; 创建一个`coder.armneonconfig`深度学习配置对象。指定深度学习配置对象的目标库特定属性。分配给`深度学习`属性`CFG`配置对象。 dlcfg = coder.deeplearningconfig...（（“手臂计算”）；dlcfg.armarchitecture ='armv8';dlcfg.armcomputeversion ='19 .02';cfg.deeplearningconfig = dlcfg; 使用`-config`选项`代码根`功能指定`CFG`配置对象。这`代码根`功能必须确定MATLAB函数输入的大小，类和复杂性。使用`-args`选项指定输入点功能的输入大小。 arg = {一个（224,224,3，'单身的'）};代码根-argsarg...-configCFGGooglenet_predict 有关更多信息，请参阅代码生成与基于“增大化现实”技术的深度学习网络M Compute Library。
nvidia^®使用CUDA的GPU^®深神经网络图书馆（Cudnn）	设置`“ targetlib'`参数为`'cudnn'`。通过使用`“目标帕拉姆”`范围。 cnncodegen（net，“ targetlib'...，，，，'cudnn'，，，，“计算能力”...，，，，'7.0'，，，，“目标帕拉姆”...，struct（struct（'自动调节'，真的...，，，，'数据类型'，，，，'int8'...，，，，'CalibibrationResultFile'...'myint8cal.mat'））自动调整功能使Cudnn库可以找到最快的卷积算法。这`'数据类型'`参数指定支持层中推断计算的精度。万博1manbetx在32位浮子中进行推断时，请使用`'fp32'`。	创建一个`coder.gpuconfig`用于生成静态库的配置对象。 cfg = coder.gpuconfig（'lib'）；cfg.targetlang ='C ++'; 要设置代码生成的最小计算功能，请使用`计算能力`GPU代码配置对象的属性。 cfg.gpuconfig.computecapability ='7.0'; 创建一个深度学习配置对象。指定深度学习配置对象的目标库特定属性。分配给`深度学习`属性`CFG`配置对象。 dlcfg = coder.deeplearningconfig（'cudnn'）；dlcfg.autotuning = true;dlcfg.datatype ='int8';dlcfg.calibrationResultFile ='myint8cal.mat';cfg.deeplearningconfig = dlcfg; 使用`-config`选项`代码根`功能指定`CFG`配置对象。这`代码根`功能必须确定MATLAB函数输入的大小，类和复杂性。使用`-args`选项指定输入点功能的输入大小。 arg = {一个（224,224,3，'单身的'）};代码根-argsarg...-configCFGGooglenet_predict 有关更多信息，请参阅使用Cudnn的深度学习网络代码生成（GPU编码器）。
英特尔^®CPU处理器	要将英特尔数学内核库用于深神经网络（MKL-DNN），以设置`“ targetlib'`参数为`'mkldnn'`。 cnncodegen（net，“ targetlib'...，，，，'mkldnn'）；	创建一个`coder.config`用于生成静态库的配置对象。 cfg = coder.config（'lib'）；cfg.targetlang ='C ++'; 创建一个`coder.mkldnnconfig`深度学习配置对象。分配给`深度学习`属性`CFG`配置对象。 dlcfg = coder.deeplearningconfig...（（'mkldnn'）；cfg.deeplearningconfig = dlcfg; 使用`-config`选项`代码根`功能指定`CFG`配置对象。这`代码根`功能必须确定MATLAB函数输入的大小，类和复杂性。使用`-args`选项指定输入点功能的输入大小。 arg = {一个（224,224,3，'单身的'）};代码根-argsarg...-configCFGGooglenet_predict 有关更多信息，请参阅使用MKL-DNN的深度学习网络代码生成。
NVIDIA GPU通过使用NVIDIA Tensorrt™，高性能深度学习推理优化器和运行时库	设置`“ targetlib'`参数为`'tensorrt'`。通过使用Tensorrt图书馆特定属性来使用`“目标帕拉姆”`范围。 cnncodegen（net，“ targetlib'...，，，，'tensorrt'，，，，“计算能力”...，，，，'7.0'，，，，“目标帕拉姆”...，struct（struct（'数据类型'，，，，'int8'...'Datapath'，，，，'image_dataset'...，，，，“数字启动键”，50））	创建一个`coder.gpuconfig`用于生成静态库的配置对象。 cfg = coder.gpuconfig（'lib'）；cfg.targetlang ='C ++'; 要设置代码生成的最小计算功能，请使用`计算能力`GPU代码配置对象的属性。 cfg.gpuconfig.computecapability ='7.0'; 创建一个`coder.tensorrtconfig`（GPU编码器）深度学习配置对象。指定深度学习配置对象的目标库特定属性。分配给`深度学习`属性`CFG`配置对象。 dlcfg = coder.deeplearningconfig...（（'cudnn'）；dlcfg.datatype ='int8';dlcfg.datapath ='image_dataset';dlcfg.numcalibrationbatches = 50;cfg.deeplearningconfig = dlcfg; 使用`-config`选项`代码根`功能指定`CFG`配置对象。这`代码根`功能必须确定MATLAB函数输入的大小，类和复杂性。使用`-args`选项指定输入点功能的输入大小。 arg = {一个（224,224,3，'单身的'）};代码根-argsarg...-configCFGGooglenet_predict 有关更多信息，请参阅通过使用nvidia tensorrt进行深度学习预测（GPU编码器）。
常规选项	生成代码，而无需生成和构建makefile。例如， cnncodegen（net，“ targetlib'...，，，，'mkldnn'，，，，'codegenly'，1）;	要生成源代码，而无需调用make命令或构建对象代码，请使用`Gencodeonly`属性`Coder.CodeConfig`或者`coder.gpucodeconfig`目的。例如， cfg = coder.codeconfig（'lib'）；cfg.gencodeonly = true;
指定NVIDIA GPU计算功能的编译。参数采用的格式`主要次要＃`。 cnncodegen（net，“ targetlib'...，，，，'cudnn'，，，，“计算能力”，，，，'7.0'）；	要设置代码生成的最小计算功能，请使用`计算能力`GPU代码配置对象的属性。 cfg = coder.gpuconfig（'lib'）；cfg.gpuconfig.computecapability ='7.0';

ARM CPU处理器支持万博1manbetx氖指示

设置“ targetlib'参数为“手臂计算”。指定ARM计算库版本以生成代码和目标硬件上的ARM架构“目标帕拉姆”范围。

cnncodegen（net，“ targetlib'...，，，，“手臂计算”，，，，“目标帕拉姆”...，struct（struct（“臂章”...，，，，'19 .02'，，，，“手臂结构”...，，，，'armv8'））

其他支持版本万博1manbetx的ARM计算库是'18 .11'，，，，'19 .02'，，，，'19 .05'，或者'20 .02.1'。默认值是'20 .02.1'。如果您设置臂章比版本晚'20 .02.1'，，，，臂章被设定为'20 .02.1'

您可以将手臂架构指定为'ARMV7或者'armv8'。指定的体系结构必须与目标硬件上的ARM计算库的体系结构相同。

创建一个coder.config用于生成静态库的配置对象。

cfg = coder.config（'lib'）；cfg.targetlang ='C ++';

创建一个coder.armneonconfig深度学习配置对象。指定深度学习配置对象的目标库特定属性。分配给深度学习属性CFG配置对象。

dlcfg = coder.deeplearningconfig...（（“手臂计算”）；dlcfg.armarchitecture ='armv8';dlcfg.armcomputeversion ='19 .02';cfg.deeplearningconfig = dlcfg;

使用-config选项代码根功能指定CFG配置对象。这代码根功能必须确定MATLAB函数输入的大小，类和复杂性。使用-args选项指定输入点功能的输入大小。

arg = {一个（224,224,3，'单身的'）};代码根-argsarg...-configCFGGooglenet_predict

nvidia^®使用CUDA的GPU^®深神经网络图书馆（Cudnn）

设置“ targetlib'参数为'cudnn'。通过使用“目标帕拉姆”范围。

cnncodegen（net，“ targetlib'...，，，，'cudnn'，，，，“计算能力”...，，，，'7.0'，，，，“目标帕拉姆”...，struct（struct（'自动调节'，真的...，，，，'数据类型'，，，，'int8'...，，，，'CalibibrationResultFile'...'myint8cal.mat'））

自动调整功能使Cudnn库可以找到最快的卷积算法。

这'数据类型'参数指定支持层中推断计算的精度。万博1manbetx在32位浮子中进行推断时，请使用'fp32'。

创建一个coder.gpuconfig用于生成静态库的配置对象。

cfg = coder.gpuconfig（'lib'）；cfg.targetlang ='C ++';

要设置代码生成的最小计算功能，请使用计算能力GPU代码配置对象的属性。

cfg.gpuconfig.computecapability ='7.0';

创建一个深度学习配置对象。指定深度学习配置对象的目标库特定属性。分配给深度学习属性CFG配置对象。

dlcfg = coder.deeplearningconfig（'cudnn'）；dlcfg.autotuning = true;dlcfg.datatype ='int8';dlcfg.calibrationResultFile ='myint8cal.mat';cfg.deeplearningconfig = dlcfg;

arg = {一个（224,224,3，'单身的'）};代码根-argsarg...-configCFGGooglenet_predict

有关更多信息，请参阅使用Cudnn的深度学习网络代码生成（GPU编码器）。

英特尔^®CPU处理器

要将英特尔数学内核库用于深神经网络（MKL-DNN），以设置“ targetlib'参数为'mkldnn'。

cnncodegen（net，“ targetlib'...，，，，'mkldnn'）；

创建一个coder.config用于生成静态库的配置对象。

cfg = coder.config（'lib'）；cfg.targetlang ='C ++';

创建一个coder.mkldnnconfig深度学习配置对象。分配给深度学习属性CFG配置对象。

dlcfg = coder.deeplearningconfig...（（'mkldnn'）；cfg.deeplearningconfig = dlcfg;

arg = {一个（224,224,3，'单身的'）};代码根-argsarg...-configCFGGooglenet_predict

有关更多信息，请参阅使用MKL-DNN的深度学习网络代码生成。

NVIDIA GPU通过使用NVIDIA Tensorrt™，高性能深度学习推理优化器和运行时库

设置“ targetlib'参数为'tensorrt'。通过使用Tensorrt图书馆特定属性来使用“目标帕拉姆”范围。

cnncodegen（net，“ targetlib'...，，，，'tensorrt'，，，，“计算能力”...，，，，'7.0'，，，，“目标帕拉姆”...，struct（struct（'数据类型'，，，，'int8'...'Datapath'，，，，'image_dataset'...，，，，“数字启动键”，50））

创建一个coder.gpuconfig用于生成静态库的配置对象。

cfg = coder.gpuconfig（'lib'）；cfg.targetlang ='C ++';

要设置代码生成的最小计算功能，请使用计算能力GPU代码配置对象的属性。

cfg.gpuconfig.computecapability ='7.0';

创建一个coder.tensorrtconfig（GPU编码器）深度学习配置对象。指定深度学习配置对象的目标库特定属性。分配给深度学习属性CFG配置对象。

dlcfg = coder.deeplearningconfig...（（'cudnn'）；dlcfg.datatype ='int8';dlcfg.datapath ='image_dataset';dlcfg.numcalibrationbatches = 50;cfg.deeplearningconfig = dlcfg;

arg = {一个（224,224,3，'单身的'）};代码根-argsarg...-configCFGGooglenet_predict

有关更多信息，请参阅通过使用nvidia tensorrt进行深度学习预测（GPU编码器）。

常规选项

生成代码，而无需生成和构建makefile。例如，

cnncodegen（net，“ targetlib'...，，，，'mkldnn'，，，，'codegenly'，1）;

要生成源代码，而无需调用make命令或构建对象代码，请使用Gencodeonly属性Coder.CodeConfig或者coder.gpucodeconfig目的。例如，

cfg = coder.codeconfig（'lib'）；cfg.gencodeonly = true;

指定NVIDIA GPU计算功能的编译。参数采用的格式主要次要＃。

cnncodegen（net，“ targetlib'...，，，，'cudnn'，，，，“计算能力”，，，，'7.0'）；

要设置代码生成的最小计算功能，请使用计算能力GPU代码配置对象的属性。

cfg = coder.gpuconfig（'lib'）；cfg.gpuconfig.computecapability ='7.0';

也可以看看

功能

代码根|coder.loaddeeplearningnetwork

cnncodegen

句法

描述

例子

生成C ++代码，以用于验证的网络以在ARM处理器上运行

输入参数

网-预处理深度学习网络对象角色向量|字符串标量

靶标-特定于库的参数结构体

版本历史记录

R2021A：对目标库支持的更改万博1manbetx

也可以看看

功能

话题

`网`-预处理深度学习网络对象
角色向量|字符串标量

`靶标`-特定于库的参数
结构体