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

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。	はい	はい
`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。	はい	はい
`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。	はい	はい
`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。	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` (Deep Learning Toolbox) を参照してください。	はい	はい
`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。	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` (Deep Learning Toolbox) 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` (Deep Learning Toolbox) を参照してください。	はい	はい
`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。	はい	はい
`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。	はい	はい
`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。	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` (Computer Vision Toolbox) 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 SqeezeNet モデルについては、`squeezenet` (Deep Learning Toolbox) 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` (Deep Learning Toolbox) 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` (Deep Learning Toolbox) を参照してください。	はい	はい
`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。	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` (Deep Learning Toolbox)	加算層	はい	はい
`anchorBoxLayer` (Computer Vision Toolbox)	アンカーボックス層	はい	はい
`averagePooling2dLayer` (Deep Learning Toolbox)	平均プーリング層	はい	はい
`batchNormalizationLayer` (Deep Learning Toolbox)	バッチ正規化層	はい	はい
`bilstmLayer` (Deep Learning Toolbox)	双方向 LSTM 層	はい	はい
`classificationLayer` (Deep Learning Toolbox)	分類出力層の作成	はい	はい
`clippedReluLayer` (Deep Learning Toolbox)	クリップされた正規化線形ユニット (ReLU) 層	はい	はい
`concatenationLayer` (Deep Learning Toolbox)	連結層	はい	はい
`convolution2dLayer` (Deep Learning Toolbox)	2 次元畳み込み層	はい	はい
`crop2dLayer` (Deep Learning Toolbox)	2 次元切り取りを入力に適用する層	はい	はい
`CrossChannelNormalizationLayer` (Deep Learning Toolbox)	チャネル単位の局所応答正規化層	はい	はい
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) 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コード生成でサポートされていません。	はい生成されたコードでは、配列データに列優先のレイアウトが使用されます。行優先の配列レイアウトを使用するコードの生成はサポートされていません。	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` (Deep Learning Toolbox)	深さ連結層	はい	はい
`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。	はい	はい
`dropoutLayer` (Deep Learning Toolbox)	ドロップアウト層	はい	はい
`eluLayer` (Deep Learning Toolbox)	指数線形ユニット (ELU) 層	はい	はい
`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。	はい	はい
`fullyConnectedLayer` (Deep Learning Toolbox)	全結合層	はい	はい
`globalAveragePooling2dLayer` (Deep Learning Toolbox)	空間データのグローバル平均プーリング層	はい	はい
`globalMaxPooling2dLayer` (Deep Learning Toolbox)	2 次元グローバル最大プーリング層	はい	はい
`groupedConvolution2dLayer` (Deep Learning Toolbox)	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
`gruLayer` (Deep Learning Toolbox)	ゲート付き回帰型ユニット (GRU) 層	はい	はい
`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。	はい	はい
`leakyReluLayer` (Deep Learning Toolbox)	漏洩正規化線形ユニット (ReLU) 層	はい	はい
`lstmLayer` (Deep Learning Toolbox)	長短期記憶 (LSTM) 層	はい	はい
`maxPooling2dLayer` (Deep Learning Toolbox)	最大プーリング層	はい	はい
`maxUnpooling2dLayer` (Deep Learning Toolbox)	最大逆プーリング層	いいえ	はい
`multiplicationLayer` (Deep Learning Toolbox)	乗算層	はい	はい
`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	はい	はい
`rcnnBoxRegressionLayer` (Computer Vision Toolbox)	Fast R-CNN および Faster R-CNN 用のボックス回帰層	はい	はい
`rpnClassificationLayer` (Computer Vision Toolbox)	領域提案ネットワーク (RPN) 用の分類層	はい	はい
`regressionLayer` (Deep Learning Toolbox)	回帰出力層の作成	はい	はい
`reluLayer` (Deep Learning Toolbox)	正規化線形ユニット (ReLU) 層	はい	はい
`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	はい	はい
`sigmoidLayer` (Deep Learning Toolbox)	シグモイド層	はい	はい
`sequenceInputLayer` (Deep Learning Toolbox)	シーケンス入力層コード生成では、ベクトル入力シーケンスのみがサポートされます。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
`softmaxLayer` (Deep Learning Toolbox)	ソフトマックス層	はい	はい
`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	はい	はい
`spaceToDepthLayer`	空間から深さへの変換層	はい	はい
`ssdMergeLayer` (Computer Vision Toolbox)	オブジェクト検出のための SSD マージ層	はい	はい
`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
`nnet.onnx.layer.IdentityLayer`	ONNX 恒等作用素を実装する層	はい	はい
`tanhLayer` (Deep Learning Toolbox)	双曲線正接 (tanh) 層	はい	はい
`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。	はい	はい
`wordEmbeddingLayer` (Text Analytics Toolbox)	単語埋め込み層は、単語インデックスをベクトルにマッピングします。	はい	はい
`yolov2OutputLayer` (Computer Vision Toolbox)	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` (Computer Vision Toolbox)	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` (Computer Vision Toolbox)	YOLO v2 オブジェクト検出ネットワークの変換層	はい	はい

サポートされているクラス

クラス	説明	ARM Compute Library	Intel MKL-DNN
`yolov2ObjectDetector` (Computer Vision Toolbox)	`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。 `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
`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。	はい	はい

クラス

説明

ARM Compute Library

Intel MKL-DNN

yolov2ObjectDetector (Computer Vision Toolbox)

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。
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

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。