coder.getDeepLearningLayers

特定の深層学習ライブラリのコード生成でサポートされる層のリストを取得する

ページ内をすべて折りたたむ

coder.getDeepLearningLayers は推奨されません。代わりに analyzeNetworkForCodegen を使用してください。詳細については、互換性についての考慮事項を参照してください。

構文

coder.getDeepLearningLayers

coder.getDeepLearningLayers(TargetLibrary = libraryname)

説明

coder.getDeepLearningLayers は、どのサードパーティライブラリも使用しない、コード生成でサポートされる層を返します。

例

coder.getDeepLearningLayers(TargetLibrary = libraryname) は、特定の深層学習ライブラリのコード生成でサポートされる層を返します。

メモ

coder.getDeepLearningLayers を使用するには、libraryname に対応するサポートパッケージをインストールしなければなりません。

'none'、'arm-compute'、'cmsis-nn'、および 'mkldnn' の場合、MATLAB^® Coder™ Interface for Deep Learning をインストールします。
'cudnn'、'tensorrt'、または 'arm-compute-mali' の場合、GPU Coder™ Interface for Deep Learning をインストールします。

メモ

関連するサポートパッケージがインストールされていない場合、関数 coder.getDeepLearningLayers では特定のカスタム層がリストされません。たとえば、Deep Learning Toolbox™ Converter for TensorFlow™ Models サポートパッケージがインストールされていない場合、keras 層はリストされません。

例

すべて折りたたむ

特定の深層学習ライブラリのコード生成でサポートされる層を取得する

深層ニューラルネットワークの Intel^® Math Kernel Library for Deep Neural Network のコード生成でサポートされる層のリストを取得します。

coder.getDeepLearningLayers(TargetLibrary = 'mkldnn')

ans =

  59×1 cell array

    {'AdditionLayer'                               }
    {'AnchorBoxLayer'                              }
    {'AveragePooling2DLayer'                       }
    {'BatchNormalizationLayer'                     }
    {'BiLSTMLayer'                                 }
    {'ClassificationOutputLayer'                   }
    {'ClippedReLULayer'                            }
    {'ConcatenationLayer'                          }
    {'Convolution2DLayer'                          }
    {'Crop2DLayer'                                 }
    {'CrossChannelNormalizationLayer'              }
    {'DepthConcatenationLayer'                     }
    {'DepthToSpace2DLayer'                         }
    {'DicePixelClassificationLayer'                }
    {'DropoutLayer'                                }
    {'ELULayer'                                    }
    {'FeatureInputLayer'                           }
    {'FlattenLayer'                                }
    {'FocalLossLayer'                              }
    {'FullyConnectedLayer'                         }
    {'GRULayer'                                    }
    {'GlobalAveragePooling2DLayer'                 }
    {'GlobalMaxPooling2DLayer'                     }
    {'GroupedConvolution2DLayer'                   }
    {'ImageInputLayer'                             }
    {'LSTMLayer'                                   }
    {'LeakyReLULayer'                              }
    {'MaxPooling2DLayer'                           }
    {'MaxUnpooling2DLayer'                         }
    {'MultiplicationLayer'                         }
    {'PixelClassificationLayer'                    }
    {'RCNNBoxRegressionLayer'                      }
    {'RPNClassificationLayer'                      }
    {'ReLULayer'                                   }
    {'RegressionOutputLayer'                       }
    {'Resize2DLayer'                               }
    {'SSDMergeLayer'                               }
    {'SequenceFoldingLayer'                        }
    {'SequenceInputLayer'                          }
    {'SequenceUnfoldingLayer'                      }
    {'SigmoidLayer'                                }
    {'SoftmaxLayer'                                }
    {'SpaceToDepthLayer'                           }
    {'TanhLayer'                                   }
    {'TransposedConvolution2DLayer'                }
    {'WordEmbeddingLayer'                          }
    {'YOLOv2OutputLayer'                           }
    {'YOLOv2ReorgLayer'                            }
    {'YOLOv2TransformLayer'                        }
    {'nnet.keras.layer.FlattenCStyleLayer'         }
    {'nnet.keras.layer.GlobalAveragePooling2dLayer'}
    {'nnet.keras.layer.SigmoidLayer'               }
    {'nnet.keras.layer.TanhLayer'                  }
    {'nnet.keras.layer.ZeroPadding2dLayer'         }
    {'nnet.onnx.layer.ElementwiseAffineLayer'      }
    {'nnet.onnx.layer.FlattenLayer'                }
    {'nnet.onnx.layer.IdentityLayer'               }
    {'ScalingLayer'                                }
    {'SoftplusLayer'                               }

入力引数

すべて折りたたむ

`libraryname` — 深層学習ライブラリの名前
文字ベクトル | string スカラー

深層学習ライブラリの名前。次の表のいずれかの値として指定します。

値	説明
`'arm-compute'`	ARM^® CPU プロセッサをターゲットにする場合の ARM Compute Library。 MATLAB Coder Interface for Deep Learning が必要です。
`'arm-compute-mali'`	ARM GPU プロセッサをターゲットにする場合の ARM Compute Library。 GPU Coder 製品と GPU Coder Interface for Deep Learning が必要です。
`'cmsis-nn'`	Common Microcontroller Software Interface Standard - Neural Network (CMSIS-NN) ライブラリ。 MATLAB Coder Interface for Deep Learning が必要です。
`'cudnn'`	NVIDIA^® CUDA^® Deep Neural Network library (cuDNN)。 GPU Coder 製品と GPU Coder Interface for Deep Learning が必要です。
`'mkldnn'`	Intel Math Kernel Library for Deep Neural Networks。 MATLAB Coder Interface for Deep Learning が必要です。
`'none'`	`coder.getDeepLearningLayers(TargetLibrary = 'none')` は、どのサードパーティライブラリも使用しない、コード生成でサポートされる層を返します。これは、入力引数なしで `coder.getDeepLearningLayers` を呼び出すことに相当します。 MATLAB Coder Interface for Deep Learning が必要です。
`'tensorrt'`	高性能な深層学習推論オプティマイザーおよびランタイムライブラリである NVIDIA TensorRT™。 GPU Coder 製品と GPU Coder Interface for Deep Learning が必要です。