Main Content

このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。

importCaffeLayers

Caffe からの畳み込みニューラル ネットワーク層のインポート

ページ内をすべて折りたたむ

構文

layers = importCaffeLayers(protofile)
layers = importCaffeLayers(protofile,'InputSize',sz)

説明

例

layers = importCaffeLayers(protofile) は、Caffe [1] ネットワークの層をインポートします。この関数は、.prototxt ファイル protofile に定義された層を返します。

この関数には、Deep Learning Toolbox™ Importer for Caffe Models サポート パッケージが必要です。このサポート パッケージがインストールされていない場合、関数によってダウンロード用リンクが表示されます。

Caffe Model Zoo [2] から事前学習済みのネットワークをダウンロードできます。

layers = importCaffeLayers(protofile,'InputSize',sz) は、入力データのサイズを指定します。.prototxt ファイルで入力データのサイズが指定されていない場合、入力サイズを指定しなければなりません。

例

すべて折りたたむ

この例では次を使用します。

Deep Learning Toolbox Importer for Caffe Models サポート パッケージをダウンロードしてインストールします。

コマンド ラインに importCaffeLayers と入力して、必要なサポート パッケージをダウンロードします。

importCaffeLayers

Deep Learning Toolbox Importer for Caffe Models サポート パッケージがインストールされていない場合、この関数は、必要なサポート パッケージへのリンクをアドオン エクスプローラーに表示します。サポート パッケージをインストールするには、リンクをクリックして、[インストール] をクリックします。

この例では次を使用します。

インポートする例ファイル 'digitsnet.prototxt' を指定します。

protofile = 'digitsnet.prototxt';

ネットワーク層をインポートします。

layers = importCaffeLayers(protofile)
layers = 

  1x7 Layer array with layers:

     1   'testdata'   Image Input             28x28x1 images
     2   'conv1'      Convolution             20 5x5x1 convolutions with stride [1  1] and padding [0  0]
     3   'relu1'      ReLU                    ReLU
     4   'pool1'      Max Pooling             2x2 max pooling with stride [2  2] and padding [0  0]
     5   'ip1'        Fully Connected         10 fully connected layer
     6   'loss'       Softmax                 softmax
     7   'output'     Classification Output   crossentropyex with 'class1', 'class2', and 8 other classes

入力引数

すべて折りたたむ

ネットワーク アーキテクチャが含まれる .prototxt ファイルの名前。文字ベクトルまたは string スカラーとして指定します。MATLAB® パス上のフォルダー内の現在のフォルダーに protofile が含まれていなければならず、そうでなければこのファイルの絶対パスまたは相対パスを含めなければなりません。.prototxt ファイルによって入力データのサイズが指定されていない場合、入力引数 sz を使用してサイズを指定しなければなりません。

例: 'digitsnet.prototxt'

入力データのサイズ。行ベクトルとして指定します。入力データの高さ、幅、およびチャネル数に対応する 2 個または 3 個の整数値のベクトル [h,w] または [h,w,c] を指定します。

例: [28 28 1]

出力引数

すべて折りたたむ

ネットワーク アーキテクチャ。Layer 配列または LayerGraph オブジェクトとして返されます。カラー イメージを入力として取る Caffe ネットワークは、イメージが BGR 形式であることを想定しています。importCaffeLayers は、インポート時にネットワークを変更して、インポート後の MATLAB ネットワークが RGB イメージを入力とするようにします。

詳細

すべて折りたたむ

インポートされたネットワーク アーキテクチャ用のコードの生成

MATLAB Coder™ または GPU Coder™ を Deep Learning Toolbox と共に使用して、インポートされたネットワーク用の MEX コード、スタンドアロン CPU コード、CUDA® MEX コード、またはスタンドアロン CUDA コードを生成できます。詳細については、コード生成を参照してください。

  • MATLAB 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 C/C++ コードを生成することもできます。詳細については、MATLAB Coder を使用した深層学習 (MATLAB Coder)を参照してください。

  • GPU 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 CUDA MEX コードまたはスタンドアロン CUDA コードを生成します。CUDA 深層ニューラル ネットワーク ライブラリ (cuDNN)、TensorRT™ 高性能推論ライブラリ、または Mali GPU 向け ARM Compute ライブラリを使用する生成済みのスタンドアロン CUDA コードを展開できます。詳細については、GPU Coder を使用した深層学習 (GPU Coder)を参照してください。

importCaffeLayers は、ネットワーク アーキテクチャ layers を Layer オブジェクトまたは LayerGraph オブジェクトとして返します。コード生成では、最初にインポートされた Layer オブジェクトまたは LayerGraph オブジェクトをネットワークに変換しなければなりません。assembleNetwork を使用して、Layer オブジェクトまたは LayerGraph オブジェクトを DAGNetwork オブジェクトまたは SeriesNetwork オブジェクトに変換します。dlnetwork を使用して、Layer オブジェクトまたは LayerGraph オブジェクトを dlnetwork オブジェクトに変換します。MATLAB Coder オブジェクトおよび Deep Learning Toolbox オブジェクト用の GPU Coder サポートの詳細については、サポートされているクラス (MATLAB Coder)およびサポートされているクラス (GPU Coder)をそれぞれ参照してください。

コード生成をサポートする層をもつあらゆるインポート済みネットワーク用にコードを生成できます。MATLAB Coder および GPU Coder を使用したコード生成をサポートする層のリストについては、サポートされている層 (MATLAB Coder)およびサポートされている層 (GPU Coder)をそれぞれ参照してください。各組み込み MATLAB 層のコード生成機能と制限の詳細については、各層の拡張機能の節を参照してください。例については、imageInputLayer のコード生成とGPU コード生成を参照してください。

GPU におけるインポートしたネットワーク層の使用

GPU 上では importCaffeLayers は実行されません。ただし、importCaffeLayers は、深層学習用の事前学習済みニューラル ネットワークの層を、GPU で使用可能な Layer 配列または LayerGraph オブジェクトとしてインポートします。

  • assembleNetwork を使用して、インポート済みの層を DAGNetwork オブジェクトに変換します。DAGNetwork オブジェクトでは、classify を使用して、CPU または GPU でクラス ラベルを予測できます。名前と値の引数 ExecutionEnvironment を使用して、ハードウェア要件を指定します。複数の出力があるネットワークの場合、関数 predict を使用して、名前と値の引数 ReturnCategorical を true として指定します。

  • dlnetwork を使用して、インポートされた層を dlnetwork オブジェクトに変換します。dlnetwork オブジェクトでは、predict を使用して、CPU または GPU でクラス ラベルを予測できます。入力データとネットワーク パラメーターのいずれかが GPU に保存されている場合、関数 predict を GPU で実行できます。

    • minibatchqueue を使用して入力データのミニバッチの処理と管理を行う場合、GPU が使用可能であれば、出力は minibatchqueue オブジェクトによって GPU 配列に変換されます。

    • dlupdate を使用して、dlnetwork オブジェクトの学習可能パラメーターを GPU 配列に変換します。

      net = dlupdate(@gpuArray,net)

  • 関数 trainnet および trainNetwork を使用して、CPU または GPU で、インポート済みの層に学習させることができます。実行環境のオプションを含む学習オプションを指定するには、関数 trainingOptions を使用します。名前と値の引数 ExecutionEnvironment を使用して、ハードウェア要件を指定します。学習を高速化する方法の詳細については、Scale Up Deep Learning in Parallel, on GPUs, and in the Cloudを参照してください。

GPU を使用するには Parallel Computing Toolbox™ ライセンスとサポートされている GPU デバイスが必要です。サポートされているデバイスについては、GPU 計算の要件 (Parallel Computing Toolbox)を参照してください。

ヒント

参照

バージョン履歴

R2017a で導入

参考

| | | | | |

トピック