C++ コード生成でサポートされているネットワークとレイヤー

最新のリリースでは、このページがまだ翻訳されていません。このページの最新版は英語でご覧になれます。

MATLAB^® Coder™ は、系列ネットワークおよび有向非循環グラフ (DAG) 畳み込みニューラルネットワーク (CNN または ConvNet) のコード生成をサポートします。コード生成でサポートされている層の学習済みの畳み込みニューラルネットワークのコードを生成できます。サポートされている層を参照してください。

サポートされている事前学習済みネットワーク

次の事前学習済みネットワークは Deep Learning Toolbox™ で利用でき、コード生成をサポートしています。

ネットワーク名	説明	ARM^® Compute Library	Intel^® MKL-DNN
`AlexNet`	AlexNet 畳み込みニューラルネットワーク。事前学習済みの AlexNet モデルについては、`alexnet` を参照してください。	はい	はい
`GoogLeNet`	GoogLeNet 畳み込みニューラルネットワーク。事前学習済みの GoogLeNet モデルについては、`googlenet` を参照してください。	はい	はい
Inception-v3	Inception-v3 畳み込みニューラルネットワーク。事前学習済みの Inception-v3 モデルについては、`inceptionv3` を参照してください。	はい	はい
`MobileNet-v2`	MobileNet-v2 畳み込みニューラルネットワーク。事前学習済みの MobileNet-v2 モデルについては `mobilenetv2` を参照してください。	はい	はい
`ResNet`	ResNet-50 および ResNet-101 畳み込みニューラルネットワーク。事前学習済みの ResNet モデルについては、`resnet50` および `resnet101` を参照してください。	はい	はい
`SegNet`	複数クラスのピクセル単位のセグメンテーションネットワーク。詳細については、`segnetLayers` を参照してください。	いいえ	はい
`SqueezeNet`	小規模のディープニューラルネットワーク。事前学習済みの ResNet モデルについては、`squeezenet` を参照してください。	はい	はい
`VGG-16`	VGG-16 畳み込みニューラルネットワーク。事前学習済みの VGG-16 モデルについては、`vgg16` を参照してください。	はい	はい
`VGG-19`	VGG-19 畳み込みニューラルネットワーク。事前学習済みの VGG-19 モデルについては、`vgg19` を参照してください。	はい	はい

サポートされている層

表に指定されているターゲット深層学習ライブラリについて、次の層は MATLAB Coder によるコード生成でサポートされています。

サポートパッケージの MATLAB Coder Interface for Deep Learning Libraries をインストールすると、coder.getDeepLearningLayers を使用して、特定の深層学習ライブラリでサポートされているレイヤーのリストを確認できます。以下に例を示します。

coder.getDeepLearningLayers('mkldnn')

レイヤー名	説明	ARM Compute Library	Intel MKL-DNN
`additionLayer`	加算層	はい	はい
`averagePooling2dLayer`	平均プーリング層	はい	はい
`batchNormalizationLayer`	バッチ正規化層	はい	はい
`classificationLayer`	分類出力層の作成	はい	はい
`clippedReluLayer`	クリップされた正規化線形ユニット (ReLU) 層	はい	はい
`convolution2dLayer`	2 次元畳み込み層	はい	はい MKL-DNN v0.14 および AVX-512 を使用する CPU では、畳み込み演算のための生成されたコードは、特定のサイズかつ特定のパディングの入力に対して、不正確な結果を出す可能性があります。
`crop2dLayer`	2 次元切り取りを入力に適用する層	いいえ	はい
`CrossChannelNormalizationLayer`	チャネル単位の局所応答正規化層	はい	はい
カスタム出力層	`nnet.layer.ClassificationLayer` または `nnet.layer.RegressionLayer` を使用して作成される、カスタム分類出力層または回帰出力層を含むすべての出力層。カスタム分類出力層を定義して損失関数を指定する方法を示す例については、カスタム分類出力層の定義 (Deep Learning Toolbox)を参照してください。カスタム回帰出力層を定義して損失関数を指定する方法を示す例については、カスタム回帰出力層の定義 (Deep Learning Toolbox)を参照してください。	はい	はい
`depthConcatenationLayer`	深さ連結層	はい	はい MKL-DNN v0.14 を使用するコードを生成するには、層の入力のすべてのチャネル次元が 8 の倍数でなければならないか、またはすべてのチャネル次元が 8 の倍数以外でなければならないかのいずれかです。
`dropoutLayer`	ドロップアウト層	はい	はい
`fullyConnectedLayer`	全結合層	はい	はい
`globalAveragePooling2dLayer`	空間データのグローバル平均プーリング層	はい	はい
`groupedConvolution2dLayer`	2 次元グループ畳み込み層	はい `numGroups` に整数を指定する場合、その値は `2` 以下でなければなりません。	はい
`imageInputLayer`	イメージ入力層コード生成は、関数ハンドルを使用して指定された `'Normalization'` をサポートしていません。	はい	はい
`leakyReluLayer`	漏洩正規化線形ユニット (ReLU) 層	はい	はい
`maxPooling2dLayer`	最大プーリング層	はい	はい
`maxUnpooling2dLayer`	最大逆プーリング層	いいえ	はい
`pixelClassificationLayer`	セマンティックセグメンテーションのピクセル分類レイヤーの作成	はい	はい
`regressionLayer`	回帰出力層の作成	はい	はい
`reluLayer`	正規化線形ユニット (ReLU) 層	はい	はい
`softmaxLayer`	ソフトマックス層	はい	はい MKL-DNN に関する制限事項とソフトマックス層への大きい負の入力値を参照してください。
`nnet.keras.layer.FlattenCStyleLayer`	C スタイル (行優先) の順序であると仮定して、活性化を 1 次元にフラット化	はい	はい
`nnet.keras.layer.GlobalAveragePooling2dLayer`	空間データのグローバル平均プーリング層	はい	はい
`nnet.keras.layer.SigmoidLayer`	シグモイド活性化層	はい	はい
`nnet.keras.layer.TanhLayer`	双曲線正接活性化層	はい	はい
`nnet.keras.layer.ZeroPadding2dLayer`	2 次元入力のためのゼロパディング層	はい	はい
`nnet.onnx.layer.ElementwiseAffineLayer`	その後に追加が続く、入力の要素単位のスケーリングを実行する層	はい	はい
`nnet.onnx.layer.FlattenLayer`	ONNX™ ネットワークの層のフラット化	はい	はい
`tanhLayer`	双曲線正接 (tanh) 層	はい	はい
`transposedConv2dLayer`	転置 2 次元畳み込み層コード生成は、入力の非対称のトリミングをサポートしていません。たとえば、ベクトル `[t b l r]` を `'Cropping'` パラメーターに指定して、入力の上下左右をトリミングすることはサポートされていません。	はい	はい
`YOLOv2OutputLayer`	YOLO v2 オブジェクト検出ネットワークの出力層	はい	はい
`YOLOv2ReorgLayer`	YOLO v2 オブジェクト検出ネットワークの再編成層	はい	はい
`YOLOv2TransformLayer`	YOLO v2 オブジェクト検出ネットワークの変換層	はい	はい

MKL-DNN に関する制限事項とソフトマックス層への大きい負の入力値

次のすべての条件に該当する場合、ソフトマックス層用に生成されたコードは正しくない (NaN 値が含まれている) 可能性があります。

MKL-DNN を使用してコードを生成する。
ネットワークが FCN ネットワークまたはカスタムネットワーク (ユーザーが作成して学習させるネットワーク) である。
ソフトマックス層への入力に大きい負の値がある。ソフトマックス層の前に ReLU 層がない場合、ソフトマックス層への入力は大きな負の値になる可能性があります。

サポートされているクラス

クラス	説明	ARM Compute Library	Intel MKL-DNN
`yolov2ObjectDetector`	`yolov2ObjectDetector` の `detect` メソッドのみがコード生成でサポートされます。 `detect` メソッドの引数 `roi` は、コード生成定数 (`coder.const()`) と 1 行 4 列のベクトルでなければなりません。 `detect` には、`Threshold`、`SelectStrongest`、`MinSize`、および `MaxSize` の名前と値のペアのみがサポートされます。 `detect` の `labels` 出力が、文字ベクトルの cell 配列として返されます (たとえば `{'car','bus'}`)。	はい	はい

クラス

説明

ARM Compute Library

Intel MKL-DNN

yolov2ObjectDetector

yolov2ObjectDetector の detect メソッドのみがコード生成でサポートされます。
detect メソッドの引数 roi は、コード生成定数 (coder.const()) と 1 行 4 列のベクトルでなければなりません。
detect には、Threshold、SelectStrongest、MinSize、および MaxSize の名前と値のペアのみがサポートされます。
detect の labels 出力が、文字ベクトルの cell 配列として返されます (たとえば {'car','bus'})。

はい

参考

coder.getDeepLearningLayers