半精度データ型による数字分類

この例では、Simulink® の学習したニューラル ネットワーク分類モデルの結果を倍精度と半精度で比較します。モデルは、MNIST の手書き数字データセットのイメージを分類します。

最初に、モデルからデータを読み込み、テスト データセットのサイズを指定します。

load trainImage.mat
testSetMaxIdx = 10;

モデルを倍精度型でシミュレーションする

このモデルでは、numerictype オブジェクトを使用してパラメーター、信号、ブロック出力のデータ型を指定します。倍精度データ型を使用してモデルをシミュレーションするには、ベース ワークスペースで numerictype オブジェクを定義し、オブジェクトのデータ型を 'double' に設定します。モデルのシミュレーションを実行します。

floatType = numerictype('double');
activationType = numerictype('double');

model = 'ex_imagerecog_half.slx';
open_system(model);
sim(model);

倍精度シミュレーションの結果、100% の分類精度が得られます。

[c, ~] = confusion(ttestsubset(:,1:testSetMaxIdx), ytest.Data(2:testSetMaxIdx+1,:)');
fprintf('Percentage Correct Classification   : %f%%\n', 100*(1-c));
fprintf('Percentage Incorrect Classification : %f%%\n', 100*c);

Percentage Correct Classification   : 100.000000%
Percentage Incorrect Classification : 0.000000%

モデルを半精度型でシミュレーションする

モデルを半精度型でシミュレーションするには、numerictype オブジェクトを再定義し、データ型を 'half' に設定します。モデルをシミュレートします。

floatType = numerictype('half');
activationType = numerictype('single');
sim(model);

この例では、半精度データ型を使用したときの精度の低下はありません。半精度シミュレーションでも、100% の分類精度が得られます。

[c, ~] = confusion(ttestsubset(:,1:testSetMaxIdx), ytest.Data(2:testSetMaxIdx+1,:)');
fprintf('Running Simulation with half precision :\n');
fprintf('Percentage Correct Classification   : %f%%\n', 100*(1-c));
fprintf('Percentage Incorrect Classification : %f%%\n', 100*c);

Running Simulation with half precision :
Percentage Correct Classification   : 100.000000%
Percentage Incorrect Classification : 0.000000%