深層学習に MATLAB Coder を使用するための前提条件

MathWorks 製品

MATLAB^® Coder™ を使用して深層学習ネットワークのコードを生成するには、次もインストールしなければなりません。

Deep Learning Toolbox™
MATLAB Coder Interface for Deep Learning

サードパーティライブラリを使用しないコードの生成

MATLAB Coder を使用して、深層学習ネットワークの汎用 C または C++ コードを生成できます。このような C または C++ コードは、どのサードパーティライブラリにも依存しません。詳細については、深層学習ネットワーク向けの汎用 C/C++ コードの生成を参照してください。

MATLAB Coder では、サポートされているインストール済みのコンパイラが検索されて使用されます。サポートされているコンパイラのリストについては、MathWorks^® Web サイトのサポートされるコンパイラを参照してください。

mex -setup を使用して既定のコンパイラを変更できます。既定のコンパイラの変更を参照してください。

C++ コンパイラで C++11 がサポートされていなければなりません。

Windows^® で、どのサードパーティライブラリも使用しない汎用 C または C++ コードを生成するには、Microsoft^® Visual Studio^® または MinGW^® コンパイラを使用します。

サードパーティライブラリを使用するコードの生成

MATLAB Coder を使用して、Intel^® または ARM^® プロセッサに展開する深層学習ネットワークの C++ コードを生成できます。生成されたコードは、ターゲット CPU 用に最適化された深層学習ライブラリを利用します。ハードウェアとソフトウェアの要件はターゲットプラットフォームによって決まります。

メモ

必要なソフトウェアライブラリへのパスは、スペースや、かっこなどの特殊文字を含めてはなりません。Windows オペレーティングシステムでは、特殊文字やスペースは 8.3 ファイル名が有効になっている場合にのみ使用できます。8.3 ファイル名の詳細については、Windows のドキュメントを参照してください。

ハードウェアとソフトウェアの要件

	Intel CPU	ARM Cortex-A CPU	ARM Cortex-M CPU
ハードウェア要件	Intel Advanced Vector Extensions 2 (Intel `AVX2`) の命令をサポートする Intel プロセッサ。	`NEON` 拡張子をサポートする ARM Cortex-A プロセッサ。	ARM Cortex-M プロセッサ。
ソフトウェアライブラリ	Intel Math Kernel Library for Deep Neural Networks (MKL-DNN), v1.4。https://github.com/oneapi-src/oneDNNを参照してください。一部の必要なファイルが不足しているため、プリビルドライブラリは使用しないでください。代わりに、ソースコードからライブラリをビルドします。GitHub^® でのライブラリのビルド手順を参照してください。ビルドの詳細については、MATLAB Answers™: https://www.mathworks.com/matlabcentral/answers/447387-matlab-coder-how-do-i-build-the-intel-mkl-dnn-library-for-deep-learning-c-code-generation-and-depの投稿を参照してください。使用に関するメモ: MATLAB ホストコンピューターで実行する MEX 関数を生成する場合は、汎用 C/C++ コードを生成するのではなく、MKL-DNN ターゲットを使用することをお勧めします。MKL-DNN ライブラリを使用する生成コードは、汎用コードよりもパフォーマンスが向上する可能性があります。一部のネットワークについて、AVX2 マシンでは MKL-DNN ライブラリのパフォーマンスが遅くなることがあります。生成コードでの MKL-DNN のパフォーマンスを最大限に高めるには、AVX512 マシンを使用してください。	コンピュータービジョンと機械学習用の ARM Compute Library、Version 19.05 および 20.02.1。https://developer.arm.com/ip-products/processors/machine-learning/compute-libraryを参照してください。バージョン番号を `coder.ARMNEONConfig` 構成オブジェクトで指定します。既定のバージョン番号は v20.02.1 です。 ARM ハードウェアではコンパイラとの互換性がない可能性があるため、プリビルドライブラリは使用しないでください。代わりに、ソースコードからライブラリをビルドします。ホストマシン上またはターゲットハードウェア上で直接ライブラリをビルドします。GitHub の version 20.02.1 のライブラリのビルド手順を参照してください。 `libarm_compute.so` などのライブラリファイルを含むフォルダーは `lib` という名前にしなければなりません。フォルダーの名前が `build` である場合は、名前を `lib` に変更します。ビルドの詳細については、MATLAB Answers: https://www.mathworks.com/matlabcentral/answers/455590-matlab-coder-how-do-i-build-the-arm-compute-library-for-deep-learning-c-code-generation-and-deploの投稿を参照してください。 8 ビット整数で推論の計算を実行する生成コードを ARM プロセッサに展開するには、ARM Compute Library version 20.02.1 を使用しなければなりません。	CMSIS-NN ライブラリ version 5.7.0。https://www.keil.arm.com/cmsisを参照してください。以下に記載されているビルドステップを使用してホストマシン上でライブラリをビルドします。 https://github.com/mathworks/build-steps-for-cmsisnn-library https://www.mathworks.com/matlabcentral/answers/1631260-matlab-coder-how-do-i-build-the-arm-cmsis-nn-library-for-deep-learning-c-code-generation-and-deploy
オペレーティングシステムのサポート	Windows、Linux^® および macOS。	Windows および Linux のみ。	Windows および Linux のみ。
サポートされるコンパイラ	MATLAB Coder では、サポートされているインストール済みのコンパイラが検索されて使用されます。サポートされているコンパイラのリストについては、MathWorks Web サイトのサポートされるコンパイラを参照してください。 `mex -setup` を使用して既定のコンパイラを変更できます。既定のコンパイラの変更を参照してください。 C++ コンパイラで C++11 がサポートされていなければなりません。 Windows で、`codegen` コマンドを使用して Intel MKL-DNN ライブラリを使用するコードを生成するには、Microsoft Visual Studio 2015 以降を使用します。メモ Windows では、Intel MKL-DNN ライブラリを使用する MEX 関数を生成する場合、MinGW コンパイラはサポートされません。
その他	ARM Cortex-A ベースの深層学習例には、Open Source Computer Vision Library (OpenCV) v3.1.0 が必要です。メモ: 例には `opencv_core.lib` や `opencv_video.lib` などの個別のライブラリが必要です。Computer Vision Toolbox™ に同梱されている `OpenCV` ライブラリには必要なライブラリが含まれていないため、OpenCV インストーラーはそれらのライブラリをインストールしません。そのため、`OpenCV` ソースをダウンロードして、ライブラリをビルドしなければなりません。詳細については、OpenCV のドキュメントを参照してください。

環境変数

MATLAB Coder は、環境変数を使用して深層学習ネットワークのコード生成に必要なライブラリを見つけます。

プラットフォーム	変数名	説明
Windows	`INTEL_MKLDNN`	Intel MKL-DNN ライブラリインストールのルートフォルダーへのパス。以下に例を示します。 `C:\Program Files\mkl-dnn`
	`ARM_COMPUTELIB`	ARM ターゲットハードウェアにインストールされる ARM Compute Library のルートフォルダーへのパス。以下に例を示します。 `/usr/local/arm_compute` ARM ターゲットハードウェアで `ARM_COMPUTELIB` を設定します。
	`CMSISNN_PATH`	ARM ターゲットハードウェアにインストールされる CMSIS-NN ライブラリのルートフォルダーへのパス。次に例を示します。 `/usr/local/cmsis_nn` ARM ターゲットハードウェアで `CMSISNN_PATH` を設定します。
	`PATH`	Intel MKL-DNN ライブラリフォルダーへのパス。以下に例を示します。 `C:\Program Files\mkl-dnn\lib`
Linux	`LD_LIBRARY_PATH`	Intel MKL-DNN ライブラリフォルダーへのパス。以下に例を示します。 `/usr/local/mkl-dnn/lib/`
	`LD_LIBRARY_PATH`	ターゲットハードウェアの ARM Compute Library フォルダーへのパス。以下に例を示します。 `/usr/local/arm_compute/lib/` ARM ターゲットハードウェアで `LD_LIBRARY_PATH` を設定します。
	`INTEL_MKLDNN`	Intel MKL-DNN ライブラリインストールのルートフォルダーへのパス。以下に例を示します。 `/usr/local/mkl-dnn/`
	`ARM_COMPUTELIB`	ARM ターゲットハードウェアにインストールされる ARM Compute Library のルートフォルダーへのパス。以下に例を示します。 `/usr/local/arm_compute/` ARM ターゲットハードウェアで `ARM_COMPUTELIB` を設定します。
	`CMSISNN_PATH`	ARM ターゲットハードウェアにインストールされる CMSIS-NN ライブラリのルートフォルダーへのパス。次に例を示します。 `/usr/local/cmsis_nn` ARM ターゲットハードウェアで `CMSISNN_PATH` を設定します。
macOS	`INTEL_MKLDNN`	Intel MKL-DNN ライブラリインストールのルートフォルダーへのパス。以下に例を示します。 `/usr/local/mkl-dnn`
ARM Cortex-A ターゲット上の UNIX^® ベースの OS	`OPENCV_DIR`	OpenCV のビルドフォルダーへのパス。OpenCV を使用する深層学習例のために、OpenCV をインストールします。以下に例を示します。 `/usr/local/opencv/build`

メモ

MATLAB Support Package for Raspberry Pi^® Hardware を使用して Raspberry Pi 向けのコードを生成するには、環境変数を非対話型で設定しなければなりません。詳細についてはhttps://www.mathworks.com/matlabcentral/answers/455591-matlab-coder-how-do-i-setup-the-environment-variables-on-arm-targets-to-point-to-the-arm-compute-liを参照してください。

メモ

OpenCV を使用する例を作成して実行するには、ターゲットボードに OpenCV ライブラリをインストールしなければなりません。Linux に OpenCV をインストールする場合は、ライブラリファイルへのパスと、ヘッダーファイルへのパスがシステムパスにあることを確認してください。既定では、ライブラリファイルとヘッダーファイルは /usr/local/lib/ や /usr/local/include/opencv などの標準の場所にそれぞれインストールされます。

ターゲットボードに OpenCV をインストールする場合は、前の表で説明しているように環境変数 OPENCV_DIR と PATH を設定します。

メモ

OpenMP スレッドのバインディングを制御する環境変数を物理処理装置に設定することで、Intel CPU 用に生成されたコードのパフォーマンスを改善できる場合があります。たとえば、Linux プラットフォームで、KMP_AFFINITY 環境変数を scatter に設定します。Intel CPU を使用する他のプラットフォームの場合は、同様の環境変数を使用して、生成されたコードのパフォーマンスを改善できる場合があります。