ARM Mali GPU をターゲットとする深層学習ネットワークのコード生成

最新のリリースでは、このページがまだ翻訳されていません。このページの最新版は英語でご覧になれます。

GPU Coder™ を使用して、Deep Learning Toolbox™ からさまざまな事前学習済みの深層学習ネットワークの予測に対する最適化されたコードを生成できます。生成コードでは、アーキテクチャを使用した深層畳み込みニューラルネットワーク (CNN)、層、および入力オブジェクト (SeriesNetwork または DAGNetwork) で指定したパラメーターが実装されます。コードジェネレーターはコンピュータービジョンおよび機械学習用の ARM^® Compute Library を利用します。ARM Mali GPU ターゲットで深層学習を実行するために、ホスト開発コンピューターでコードを生成します。次に、実行可能プログラムをビルドして実行するために、生成されたコードを ARM ターゲットプラットフォームに移動します。たとえば、HiKey960 は生成されたコードを実行できるターゲットプラットフォームの 1 つです。

要件

Deep Learning Toolbox。
Deep Learning Toolbox Model for MobileNet-v2 Network サポートパッケージ。
GPU Coder Interface for Deep Learning Libraries サポートパッケージ。サポートパッケージをインストールするには、MATLAB^® の [アドオン] メニューでサポートパッケージを選択します。
コンピュータービジョンおよび機械学習用の ARM Compute Library をターゲットハードウェアにインストールしなければなりません。サポートされているコンパイラおよびライブラリのバージョンの詳細は、前提条件となる製品のインストールを参照してください。
コンパイラおよびライブラリの環境変数。詳細については、環境変数を参照してください。

事前学習済みのネットワークの読み込み

事前学習済みの MobileNet-v2 ネットワークを読み込みます。イメージ分類用の異なる事前学習済みネットワークの読み込みを選択できます。必要なサポートパッケージがインストールされていない場合、ダウンロード用リンクが表示されます。
```
net = mobilenetv2;
```
オブジェクト net には DAGNetwork オブジェクトが格納されています。関数 analyzeNetwork を使用して、ネットワークアーキテクチャを対話的に可視化して表示し、ネットワークに関するエラーや問題を検出して、ネットワーク層についての詳細情報を表示します。層の情報には、層の活性化と学習可能なパラメーターのサイズ、学習可能なパラメーターの総数、および再帰層の状態パラメーターのサイズが含まれます。
```
analyzeNetwork(net);
```
分類するイメージのサイズは、ネットワークの入力サイズと同じでなければなりません。GoogLeNet の場合、imageInputLayer のサイズは 224 x 224 x 3 です。出力 classificationLayer の Classes プロパティには、ネットワークによって学習されたクラスの名前が含まれています。合計 1000 個のクラス名のうち 10 個をランダムに表示します。
```
classNames = net.Layers(end).Classes;
numClasses = numel(classNames);
disp(classNames(randperm(numClasses,10)))
```
```
     cock 
     apiary 
     soap dispenser 
     titi 
     car wheel 
     guenon 
     muzzle 
     agaric 
     buckeye 
     megalith 
```
詳細については、深層学習層の一覧 (Deep Learning Toolbox)を参照してください。

`cnncodegen` を使用したコード生成

ARM Compute Library を使ってコードを生成するには、cnncodegen コマンドの targetlib オプションを使用します。cnncodegen コマンドは SeriesNetwork または DAGNetwork ネットワークオブジェクトの C++ コードを生成します。

'arm-compute-mali' として指定された 'targetlib' をもつ cnncodegen を呼び出します。次に例を示します。
```
net = googlenet;
cnncodegen(net,'targetlib','arm-compute-mali','batchsize',1);
```
'arm-compute-mali' の場合、batchsize の値は 1 でなければなりません。
ARM Compute Library のライブラリ固有のパラメーターを指定できる 'targetparams' の名前と値のペアの引数は、ARM Mali GPU をターゲットとする場合、適用されません。
cnncodegen コマンドは、コード、makefile、cnnbuild_rtw.mk、およびその他のサポートファイルを生成して、ターゲットハードウェアに生成されたコードをビルドします。コマンドはすべての生成されたファイルを codegen フォルダーに配置します。
predict を呼び出す C++ main 関数を作成します。生成されたコードと統合するメインファイルの例については、ARM Mali GPU での深層学習の予測を参照してください。
優先する Secure File Copy (SCP) と Secure Shell (SSH) クライアントを使用して、生成された codegen フォルダーとその他のファイルをホスト開発コンピューターから ARM ハードウェアに移動します。ターゲットで実行可能プログラムをビルドします。

生成コード

DAG ネットワークは、103 個の層クラスから成る配列を含む C++ クラス (CnnMain) として生成されます。コードジェネレーターは畳み込み層とバッチ正規化層のレイヤーフュージョン最適化で層の数を削減します。cnn_exec.hpp ファイルからのクラス宣言のスニペットが表示されます。

cnn_exec.hpp ファイル

このクラスの setup() メソッドは、ハンドルを設定し、ネットワークオブジェクトの各層にメモリを割り当てます。
predict() メソッドは、ネットワーク内の 103 個の層それぞれについて予測を呼び出します。
cnn_exec.cpp ファイルには CnnMain クラスのオブジェクト関数の定義が含まれます。

バイナリファイルは、ネットワーク内の全結合層や畳み込み層などのパラメーターを持つ層に対してエクスポートされます。たとえば、ファイル cnn_CnnMain_Conv*_w および cnn_CnnMain_Conv*_b は、ネットワーク内の convolutional 層の重みとバイアスパラメーターに対応します。コードジェネレーターは、これらのバイナリファイルを codegen フォルダーに配置します。コードジェネレーターはライブラリファイル cnnbuild をビルドし、生成されたすべてのファイルを codegen フォルダーに配置します。