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

MATLAB^® Coder™ は、系列ネットワーク、有向非循環グラフ (DAG) ネットワーク、再帰型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` (Deep Learning Toolbox) を参照してください。	あり	あり
`DarkNet`	DarkNet-19 および DarkNet-53 畳み込みニューラルネットワーク。事前学習済みの DarkNet モデルについては、`darknet19` (Deep Learning Toolbox) および `darknet53` (Deep Learning Toolbox) を参照してください。	あり	あり
`DenseNet-201`	DenseNet-201 畳み込みニューラルネットワーク。事前学習済みの DenseNet-201 モデルについては、`densenet201` (Deep Learning Toolbox) を参照してください。	あり	あり
`EfficientNet-b0`	EfficientNet-b0 畳み込みニューラルネットワーク。事前学習済みの EfficientNet-b0 モデルについては、`efficientnetb0` (Deep Learning Toolbox) を参照してください。	あり	あり
`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` (Deep Learning Toolbox) を参照してください。	あり	あり
`Inception-ResNet-v2`	Inception-ResNet-v2 畳み込みニューラルネットワーク。事前学習済みの Inception-ResNet-v2 モデルについては、`inceptionresnetv2` (Deep Learning Toolbox) を参照してください。	あり	あり
`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` (Deep Learning Toolbox) を参照してください。	あり	あり
`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` (Deep Learning Toolbox) を参照してください。	あり	あり
`NASNet-Large`	NASNet-Large 畳み込みニューラルネットワーク。事前学習済みの NASNet-Large モデルについては、`nasnetlarge` (Deep Learning Toolbox) を参照してください。	あり	あり
`NASNet-Mobile`	NASNet-Mobile 畳み込みニューラルネットワーク。事前学習済みの NASNet-Mobile モデルについては、`nasnetmobile` (Deep Learning Toolbox) を参照してください。	あり	あり
`ResNet`	ResNet-18、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、`resnet18` (Deep Learning Toolbox)、`resnet50` (Deep Learning Toolbox) および `resnet101` (Deep Learning Toolbox) を参照してください。	あり	あり
`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` (Computer Vision Toolbox) を参照してください。	なし	あり
`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 SqeezeNet モデルについては、`squeezenet` (Deep Learning Toolbox) を参照してください。	あり	あり
`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` (Deep Learning Toolbox) を参照してください。	あり	あり
`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` (Deep Learning Toolbox) を参照してください。	あり	あり
`Xception`	Xception 畳み込みニューラルネットワーク。事前学習済みの Xception モデルについては、`xception` (Deep Learning Toolbox) を参照してください。	あり	あり

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 をインストールすると、ネットワークが特定の深層学習ライブラリのコード生成と互換性があるかどうかを analyzeNetworkForCodegen を使用して確認できます。次に例を示します。

result = analyzeNetworkForCodegen(mobilenetv2,TargetLibrary = 'mkldnn')

メモ

R2022b 以降では、深層学習ライブラリのコード生成互換性チェックに関数 analyzeNetworkForCodegen を使用します。coder.getDeepLearningLayers は推奨されません。

レイヤー名	説明	ARM Compute Library	Intel MKL-DNN	汎用 C/C++
`additionLayer` (Deep Learning Toolbox)	加算層	あり	あり	あり
`anchorBoxLayer` (Computer Vision Toolbox)	アンカーボックス層	あり	あり	あり
`averagePooling2dLayer` (Deep Learning Toolbox)	平均プーリング層サードパーティライブラリに依存しないコード生成では、`PaddingValue` プロパティに `'mean'` を使用できます。 `MKL-DNN` や ARM Compute などのサードパーティライブラリを使用するコード生成では、平均値のパディングはサポートされません。 MATLAB Function ブロックを使用して深層学習機能を実装する Simulink^® モデルでは、非ゼロのパディング値をもつ平均プーリング層がネットワークに含まれていると、シミュレーションでエラーが発生します。そのような場合は、MATLAB Function の代わりに Deep Neural Networks ライブラリのブロックを使用して深層学習機能を実装します。	あり	あり	あり
`batchNormalizationLayer` (Deep Learning Toolbox)	バッチ正規化層	あり	あり	あり
`bilstmLayer` (Deep Learning Toolbox)	双方向 LSTM 層	あり	あり	あり
`classificationLayer` (Deep Learning Toolbox)	分類出力層の作成	あり	あり	あり
`clippedReluLayer` (Deep Learning Toolbox)	クリップされた正規化線形ユニット (ReLU) 層	あり	あり	あり
`concatenationLayer` (Deep Learning Toolbox)	連結層	あり	あり	あり
`convolution2dLayer` (Deep Learning Toolbox)	2 次元畳み込み層コード生成では、`PaddingValue` パラメーターを `0` (既定値) にする必要があります。	あり	あり	あり
`crop2dLayer` (Deep Learning Toolbox)	2 次元切り取りを入力に適用する層	あり	あり	なし
`CrossChannelNormalizationLayer` (Deep Learning Toolbox)	チャネル単位の局所応答正規化層	あり	あり	なし
カスタム層	問題に対して定義するカスタム層。学習可能パラメーターの有無は任意です。以下を参照してください。カスタム深層学習層の定義 (Deep Learning Toolbox) コード生成用のカスタム深層学習層の定義 (Deep Learning Toolbox) 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カスタム層の出力は固定サイズの配列でなければなりません。シーケンスネットワークにおけるカスタム層は汎用 C/C++ コード生成でのみサポートされます。コード生成では、カスタム層に `%#codegen` プラグマが含まれている必要があります。次の場合は、カスタム層に `dlarray` を渡すことができます。カスタム層が `dlnetwork` にある。カスタム層が DAG または系列ネットワークにあり、`nnet.layer.Formattable` から継承されるか、逆伝播がない。 `dlarray` メソッドがサポートされていない場合は、`dlarray` から基となるデータを抽出し、計算を実行して、データをコード生成用に `dlarray` に再構成する必要があります。次に例を示します。 function Z = predict(layer, X) if coder.target('MATLAB') Z = doPredict(X); else if isdlarray(X) X1 = extractdata(X); Z1 = doPredict(X1); Z = dlarray(Z1); else Z = doPredict(X); end end end	あり	あり	ありシーケンスネットワークにおけるカスタム層は汎用 C/C++ コード生成でのみサポートされます。
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。	あり	あり	あり
`depthConcatenationLayer` (Deep Learning Toolbox)	深さ連結層	あり	あり	あり
`depthToSpace2dLayer` (Image Processing Toolbox)	2 次元深さから空間への変換層	あり	あり	あり
`dicePixelClassificationLayer` (Computer Vision Toolbox)	Dice ピクセル分類層は、汎用的な Dice 損失を使用して、イメージのピクセルまたはボクセルごとに categorical ラベルを提供します。	あり	あり	なし
`dropoutLayer` (Deep Learning Toolbox)	ドロップアウト層	あり	あり	あり
`eluLayer` (Deep Learning Toolbox)	指数線形ユニット (ELU) 層	あり	あり	あり
`featureInputLayer` (Deep Learning Toolbox)	特徴入力層	あり	あり	あり
`flattenLayer` (Deep Learning Toolbox)	フラット化層	あり	あり	あり
`focalLossLayer` (Computer Vision Toolbox)	焦点損失層は、焦点損失を使用してオブジェクトクラスを予測します。	あり	あり	あり
`fullyConnectedLayer` (Deep Learning Toolbox)	全結合層	あり	あり	あり
`globalAveragePooling2dLayer` (Deep Learning Toolbox)	空間データのグローバル平均プーリング層	あり	あり	あり
`globalMaxPooling2dLayer` (Deep Learning Toolbox)	2 次元グローバル最大プーリング層	あり	あり	あり
`groupedConvolution2dLayer` (Deep Learning Toolbox)	2 次元グループ畳み込み層コード生成では、`PaddingValue` パラメーターを `0` (既定値) にする必要があります。	あり `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。	あり	なし
`groupNormalizationLayer` (Deep Learning Toolbox)	グループ正規化層	あり	あり	あり
`gruLayer` (Deep Learning Toolbox)	ゲート付き回帰型ユニット (GRU) 層	あり	あり	あり
`imageInputLayer` (Deep Learning Toolbox)	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。	あり	あり	あり
`leakyReluLayer` (Deep Learning Toolbox)	漏洩正規化線形ユニット (ReLU) 層	あり	あり	あり
`lstmLayer` (Deep Learning Toolbox)	長短期記憶 (LSTM) 層	あり	あり	あり
`lstmProjectedLayer` (Deep Learning Toolbox)	LSTM 投影層	なし	なし	あり
`maxPooling2dLayer` (Deep Learning Toolbox)	最大プーリング層カーネルウィンドウで非対角要素に同じ最大値がある場合、`maxPooling2dLayer` の実装の差異により、MATLAB と生成コード間に若干の数字の不一致が生じる場合があります。この問題により、プールされた各領域の最大値のインデックスでも不一致が生じます。詳細については、`maxPooling2dLayer` (Deep Learning Toolbox) を参照してください。	あり	あり	あり
`maxUnpooling2dLayer` (Deep Learning Toolbox)	最大逆プーリング層カーネルウィンドウで非対角要素に同じ最大値がある場合、`maxPooling2dLayer` の実装の差異により、MATLAB と生成コード間に若干の数字の不一致が生じる場合があります。この問題により、プールされた各領域の最大値のインデックスでも不一致が生じます。詳細については、`maxUnpooling2dLayer` (Deep Learning Toolbox) を参照してください。	なし	あり	なし
`multiplicationLayer` (Deep Learning Toolbox)	乗算層	あり	あり	あり
`pixelClassificationLayer` (Computer Vision Toolbox)	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	あり	あり	なし
`rcnnBoxRegressionLayer` (Computer Vision Toolbox)	Fast R-CNN および Faster R-CNN 用のボックス回帰層	あり	あり	あり
`rpnClassificationLayer` (Computer Vision Toolbox)	領域提案ネットワーク (RPN) 用の分類層	あり	あり	なし
`regressionLayer` (Deep Learning Toolbox)	回帰出力層の作成	あり	あり	あり
`reluLayer` (Deep Learning Toolbox)	正規化線形ユニット (ReLU) 層	あり	あり	あり
`resize2dLayer` (Image Processing Toolbox)	2 次元サイズ変更層	あり	あり	あり
`scalingLayer` (Reinforcement Learning Toolbox)	アクターネットワークまたはクリティックネットワーク用のスケーリング層	あり	あり	あり
`sigmoidLayer` (Deep Learning Toolbox)	シグモイド層	あり	あり	あり
`sequenceFoldingLayer` (Deep Learning Toolbox)	シーケンスの折りたたみ層	あり	あり	なし
`sequenceInputLayer` (Deep Learning Toolbox)	シーケンス入力層ベクトルシーケンス入力では、特徴の数はコード生成中に定数でなければなりません。コード生成では、入力データの空間次元がゼロまたは 2 つのいずれかでなければなりません。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。	あり	あり	あり
`sequenceUnfoldingLayer` (Deep Learning Toolbox)	シーケンスの展開層	あり	あり	なし
`softmaxLayer` (Deep Learning Toolbox)	ソフトマックス層	あり	あり	あり
`softplusLayer` (Reinforcement Learning Toolbox)	アクターネットワークまたはクリティックネットワーク用のソフトプラス層	あり	あり	あり
`spaceToDepthLayer` (Image Processing Toolbox)	空間から深さへの変換層	あり	あり	なし
`ssdMergeLayer` (Computer Vision Toolbox)	オブジェクト検出のための SSD マージ層	あり	あり	あり
`swishLayer` (Deep Learning Toolbox)	Swish 層	あり	あり	あり
`nnet.keras.layer.ClipLayer`	上限と下限の間の入力を切り取ります。	あり	あり	あり
`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	あり	あり	あり
`nnet.keras.layer.GlobalAveragePooling2dLayer`	空間データのグローバル平均プーリング層	あり	あり	あり
`nnet.keras.layer.PreluLayer`	パラメトリックな正規化線形ユニット	あり	あり	あり
`nnet.keras.layer.SigmoidLayer`	シグモイド活性化層	あり	あり	あり
`nnet.keras.layer.TanhLayer`	双曲線正接活性化層	あり	あり	あり
`nnet.keras.layer.TimeDistributedFlattenCStyleLayer`	入力層の C スタイル (または行優先) のストレージ順序であると仮定して、入力イメージのシーケンスをベクトルのシーケンスにフラット化	あり	あり	あり
`nnet.keras.layer.ZeroPadding2dLayer`	2 次元入力のためのゼロパディング層	あり	あり	あり
`nnet.onnx.layer.ClipLayer`	上限と下限の間の入力の切り取り	あり	あり	あり
`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	あり	あり	あり
`nnet.onnx.layer.FlattenInto2dLayer`	`CB` 形式で 2 次元出力配列を生成して、ONNX で行われるように MATLAB 2 次元イメージバッチをフラット化	あり	あり	あり
`nnet.onnx.layer.FlattenLayer`	ONNX™ ネットワークの層のフラット化	あり	あり	あり
`nnet.onnx.layer.GlobalAveragePooling2dLayer`	空間データのグローバル平均プーリング層	あり	あり	あり
`nnet.onnx.layer.IdentityLayer`	ONNX 恒等作用素を実装する層	あり	あり	あり
`nnet.onnx.layer.PreluLayer`	パラメトリックな正規化線形ユニット	あり	あり	あり
`nnet.onnx.layer.SigmoidLayer`	シグモイド活性化層	あり	あり	あり
`nnet.onnx.layer.TanhLayer`	双曲線正接活性化層	あり	あり	あり
`nnet.onnx.layer.VerifyBatchSizeLayer`	固定バッチサイズの検証	あり	あり	あり
`tanhLayer` (Deep Learning Toolbox)	双曲線正接 (tanh) 層	あり	あり	あり
`transposedConv2dLayer` (Deep Learning Toolbox)	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。	あり	あり	なし
`wordEmbeddingLayer` (Text Analytics Toolbox)	単語埋め込み層による単語インデックスのベクトルへのマッピング	あり	あり	なし
`yolov2OutputLayer` (Computer Vision Toolbox)	YOLO v2 オブジェクト検出ネットワークの出力層	あり	あり	なし
`yolov2ReorgLayer` (Computer Vision Toolbox)	YOLO v2 オブジェクト検出ネットワークの再編成層	あり	あり	なし
`yolov2TransformLayer` (Computer Vision Toolbox)	YOLO v2 オブジェクト検出ネットワークの変換層	あり	あり	なし

サポートされているクラス

クラス	説明	ARM Compute Library	Intel MKL-DNN	汎用 C/C++
`DAGNetwork` (Deep Learning Toolbox)	深層学習用の有向非循環グラフ (DAG) ネットワーク `activations`、`predict` および `classify` メソッドのみがサポートされます。	あり	あり	あり
`dlnetwork` (Deep Learning Toolbox)	カスタム学習ループ用の深層学習ネットワークコード生成では `InputNames` プロパティと `OutputNames` プロパティのみがサポートされます。 `dlnetwork` オブジェクトの Initialized プロパティが true に設定されていなければなりません。ベクトルまたはイメージシーケンス入力をもつ `dlnetwork` のコードを生成できます。ARM Compute の場合、`dlnetwork` はシーケンス入力層とシーケンス以外の入力層をもつことができます。Intel MKL-DNN の場合、入力層はすべてシーケンス入力層にする必要があります。コード生成のサポートには以下が含まれます。データ形式が `'CT'` または `'CBT'` のベクトルシーケンスを含む `dlarray`。データ形式が `'SSCT'` または `'SSCBT'` のイメージシーケンスを含む `dlarray`。異種混合入力層をもつ多入力 `dlnetwork`。RNN ネットワークの場合、複数の入力はサポートされていません。可変サイズの時間 (T) 次元をもつ `dlarray` の入力。このような `dlarray` オブジェクトは、可変のシーケンス長の時系列データを表現するのに使用できます。コード生成ではオブジェクト関数 `predict` のみがサポートされます。`predict` メソッドの `dlarray` 入力は、`single` データ型でなければなりません。コード生成では MIMO `dlnetworks` がサポートされます。コード生成のための `dlnetwork` オブジェクトを作成するには、コード生成のための事前学習済みネットワークの読み込みを参照してください。	あり	あり	あり
`SeriesNetwork` (Deep Learning Toolbox)	深層学習用の系列ネットワークオブジェクト関数 `activations`、`classify`、`predict`、`predictAndUpdateState`、`classifyAndUpdateState` および `resetState` のみがサポートされます。	あり	あり	あり
`yolov2ObjectDetector` (Computer Vision Toolbox)	YOLO v2 オブジェクト検出器を使用したオブジェクトの検出 `yolov2ObjectDetector` の `detect` (Computer Vision Toolbox) 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。	あり	あり	なし
`yolov3ObjectDetector` (Computer Vision Toolbox)	YOLO v3 オブジェクト検出器を使用したオブジェクトの検出 `yolov3ObjectDetector` の `detect` (Computer Vision Toolbox) 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。	あり	あり	あり
`yolov4ObjectDetector` (Computer Vision Toolbox)	YOLO v4 オブジェクト検出器を使用したオブジェクトの検出 `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`、`MaxSize` および `MiniBatchSize` の名前と値のペアのみがサポートされます。	あり	あり	あり
`ssdObjectDetector` (Computer Vision Toolbox)	SSD ベースの検出器を使用してオブジェクトを検出するためのオブジェクト。 `ssdObjectDetector` の `detect` (Computer Vision Toolbox) 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、codegen 定数 (`coder.const()`) と 1 行 4 列のベクトルでなければなりません。 `Threshold`、`SelectStrongest`、`MinSize`、`MaxSize` および `MiniBatchSize` の名前と値のペアのみがサポートされます。すべての名前と値のペアはコンパイル時の定数でなければなりません。入力イメージのチャネルとバッチのサイズは固定サイズでなければなりません。 `labels` 出力は categorical 配列として返されます。生成されたコードで、入力はネットワークの入力層のサイズに合わせて再スケーリングされます。ただし、`detect` メソッドから返される境界ボックスは、元の入力サイズに準拠します。	あり	あり	あり
`pointPillarsObjectDetector` (Lidar Toolbox)	LIDAR 点群でオブジェクトを検出する PointPillars ネットワーク `pointPillarsObjectDetector` 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 `Threshold`、`SelectStrongest`、および `MiniBatchSize` の名前と値のペアのみがサポートされます。	あり	あり	なし

`int8` コードの生成

Deep Learning Toolbox Model Quantization Library サポートパッケージとともに Deep Learning Toolbox を使用して、畳み込み層の重み、バイアス、およびアクティベーションを 8 ビットにスケーリングされた整数データ型に量子化して、深層ニューラルネットワークのメモリフットプリントを削減できます。次に、MATLAB Coder を使用してネットワークの最適化されたコードを生成できます。深層学習ネットワークの int8 コードの生成を参照してください。

参考

coder.getDeepLearningLayers