MATLAB アプリケーションからの CPU コードの生成

デスクトップまたは組み込みターゲットに展開するための C/C++ コードの生成

MATLAB^® Coder™、Simulink^® Coder、および Embedded Coder^® を Deep Learning Toolbox™ と共に使用して、デスクトップまたは組み込みターゲットで実行される MEX コードまたはスタンドアロン CPU コードを生成します。Intel^® MKL-DNN ライブラリまたは ARM^® Compute ライブラリを使用する生成済みのスタンドアロンコードを展開できます。あるいは、サードパーティライブラリの関数を呼び出さない汎用の CPU コードを生成することもできます。TensorFlow™ Lite モデルを使用して推論を実行するコードの生成と展開を行うこともできます。

関数

`codegen`	MATLAB コードから C/C++ コードを生成する
`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
`coder.loadDeepLearningNetwork`	深層学習ネットワークモデルの読み込み
`coder.loadNetworkDistributionDiscriminator`	Load network distribution discriminator for code generation (R2023a 以降)
`coder.DeepLearningConfig`	深層学習コード生成構成オブジェクトを作成する
`loadTFLiteModel`	Load TensorFlow Lite model (R2022a 以降)
`predict`	Compute deep learning network output for inference by using a TensorFlow Lite model (R2022a 以降)
`TFLiteModel`	TensorFlow Lite model (R2022a 以降)

アプリ

MATLAB Coder

MATLAB コードからの C コードまたは MEX 関数の生成

トピック

概要

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)
ターゲットプロセッサでサポートされている畳み込みニューラルネットワークを選択します。
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 (MATLAB Coder)
コード生成のための SeriesNetwork、DAGNetwork、yolov2ObjectDetector、ssdObjectDetector または dlnetwork オブジェクトを作成する。
Code Generation for dlarray (MATLAB Coder)
Use deep learning arrays in MATLAB code intended for code generation.
Intel CPU での変分自己符号化器を使用した数字イメージの生成 (MATLAB Coder)
手書きの数字を生成するための学習済み VAE dlnetwork のコードを生成する。
Prerequisites for Deep Learning with TensorFlow Lite Models
Install products and configure environment for simulation and code generation with TensorFlow Lite models.

用途

ARM ターゲットでの深層学習用のコード生成
この例では、ハードウェアサポートパッケージを使用せずに、ARM® ベースのデバイス上で予測のためのコードを生成して展開する方法を説明します。
codegen を使用した ARM Compute による深層学習の予測
この例では、codegen を使用し、ARM® プロセッサで深層学習を使用するロゴ分類アプリケーションのコードを生成する方法を説明します。
Generate Code for a Deep Learning Network for x86-64 Platforms Using Advanced Vector Instructions
This example shows how to generate code that uses advanced vector instructions and implements an image classification algorithm. The generated code does not depend on any deep learning libraries such as MKL-DNN. In this example, you generate first a MEX function and then an executable, both of which accept a batch of images as input and performs classification.
YOLO v2 と Intel MKL-DNN を使用したオブジェクト検出用 C++ コードの生成
この例では、Intel® プロセッサで YOLO v2 オブジェクト検出ネットワーク用の C++ コードを生成する方法を説明します。
Raspberry Pi におけるウェーブレットおよび深層学習を使用した信号分類器の展開
スカログラムと深層畳み込みニューラルネットワークを使用した Raspberry Pi^® における人間の心電図信号の分類。
Raspberry Pi での信号セグメンテーションディープネットワークの展開
MEX 関数とスタンドアロンの実行可能ファイルを生成して Raspberry Pi 上で波形セグメンテーションを行います。
MobileNet-v2 ネットワークのコード生成と Raspberry Pi への展開
この例では、事前学習済みの MobileNet-v2 ネットワーク用に、サードパーティの深層学習ライブラリに依存しない C コードを生成する方法を示します。
U-Net を使用する ARM Neon ターゲットでのセマンティックセグメンテーションアプリケーションのコード生成
ARM ターゲットで深層学習ネットワーク U-Net を使用して、イメージセグメンテーションを実行するスタティックライブラリを生成する。
Raspberry Pi での LSTM ネットワークのコード生成
マシンの残存耐用期間 (RUI) を予測するために、事前学習済みの長期短期記憶ネットワークのコードを生成する。
テキストデータを分類する LSTM ネットワークのコード生成
入力 timeseries の各ステップの予測を行う、事前学習済みの LSTM ネットワークのコードを生成する。
ARM Neon ターゲット用の深層学習コードのクロスコンパイル
ARM ハードウェアターゲットに展開するために、ホストコンピューター上にライブラリまたは実行可能なコードを生成する。
Raspberry Pi での深層学習ネットワークの INT8 コードの生成 (MATLAB Coder)
8 ビット整数で推論計算を実行する深層学習ネットワークのコードを生成する。
Generate Generic C Code for Sequence-to-Sequence Regression Using Deep Learning
Generate C/C++ code for a trained CNN that does not depend on any third-party libraries.
Generate Code for LSTM Network and Deploy on Cortex-M Target (MATLAB Coder)
Generate a Processor-In-the-Loop (PIL) executable that runs on an STM32F746G-Discovery board.
Generate Code for TensorFlow Lite (TFLite) Model and Deploy on Raspberry Pi
Generate code that uses a TensorFlow Lite model for inference.
Deploy Classification Application Using Mobilenet-V3 TensorFlow Lite Model on Host and Raspberry Pi
Generate code for a classification segmentation application that uses Tensorflow Lite model.
Deploy Semantic Segmentation Application Using TensorFlow Lite Model on Host and Raspberry Pi
Generate code for an image segmentation application that uses Tensorflow Lite model.
Deploy Super Resolution Application That Uses TensorFlow Lite (TFLite) Model on Host and Raspberry Pi
Generate code for a super resolution application that uses a TFLite model for inference.
Deploy Pose Estimation Application Using TensorFlow Lite Model (TFLite) Model on Host and Raspberry Pi
Simulate and generate code for a TensorFlow Lite model for 2D human pose estimation.