加载预先训练的GoogLeNet网络。您可以选择加载不同的预训练网络来进行图像分类。如果您没有安装所需的支持软件包，请根据软件提供的说明进行安装。

网= googlenet;

的对象网包含了DAGNetwork对象。使用analyzeNetwork函数显示网络体系结构的交互式可视化，检测网络中的错误和问题，并显示关于网络层的详细信息。层信息包括层激活和可学习参数的大小，可学习参数的总数，循环层的状态参数的大小。

analyzeNetwork(净);

要分类的图像必须与网络的输入大小相同。对于GoogLeNet，大小imageInputLayer是224 - 224 - 3。的类输出的属性classificationLayer包含网络学习到的类的名称。查看总共1000个类名中的10个随机类名。

一会= net.Layers . class(结束);numClasses =元素个数(类名);disp(类名(randperm (numClasses 10)))

“快艇”、“窗纱”、“等足类动物”、“木勺”、“口红”、“德雷克”、“鬣狗”、“哑铃”、“草莓”、“奶油苹果”

创建一个Simulink模型并插入MATLAB函数块的用户定义函数图书馆。

添加一个图像文件块的计算机视觉工具箱™库并设置文件名称参数peppers.png．

添加一个调整块的计算机视觉的工具箱库到模型。设置指定参数的调整块输出行数和列数并输入(224 224)作为的值输出行数和列数．这个bock将输入图像调整为网络输入层的图像。

双击MATLAB函数块。控件中出现默认函数签名MATLAB函数块编辑器。

定义一个函数googlenet_predict，实现预测入口点功能。函数头声明在作为一个参数googlenet_predict函数,分数而且indxTop作为返回值。

函数[分数,indxTop] = googlenet_predict(中)% # codegen持续的mynet;如果isempty(mynet) mynet = code . loaddeeplearningnetwork (“googlenet”）;结束输入传入率predict_scores =预测(mynet);[分数,indx] =排序(predict_scores“下”）;indxTop = indx (1:5);

一个持久化对象mynet加载DAGNetwork对象。在第一次调用入口点函数时，将构造和设置持久对象。在对该函数的后续调用中，将重用相同的对象来调用预测在输入端，避免重构和重新加载网络对象。

你也可以使用激活(深度学习工具箱)方法来激活特定层的网络。例如，下面的代码行返回中指定的层的网络激活layerIdx．

出=激活(mynet layerIdx,“OutputAs”,“渠道”);

你也可以使用分类(深度学习工具箱)中图像数据的类标签预测方法在使用训练过的网络mynet．

[,分数]=分类(mynet,);

对于LSTM网络，您可以使用predictAndUpdateState(深度学习工具箱)而且resetState(深度学习工具箱)方法。有关这些方法的使用说明和限制，请参见支持功能．

的块参数MATLAB函数块。在代码生成选项卡上,选择可重用的功能为函数包装．

如图所示将这些块连接起来。将模型保存为googlenetModel．

打开“配置参数”对话框。打开解算器窗格。要编译加速模型并生成CUDA代码，请将模型配置为使用固定步长求解器。该表显示了本示例的求解器配置。

选择模拟目标窗格。设置语言来c++．

选择GPU加速．

选项特定于GPU Coder现在可见模拟目标> GPU加速窗格。对于本例，您可以使用这些特定于gpu的参数的默认值。

在模拟目标窗格中,设置目标库参数深度学习集团cuDNN．

您也可以选择TensorRT针对NVIDIA gpu的TensorRT高性能推理库。

点击好吧保存并关闭“配置参数”对话框。

您可以使用set_param在MATLAB中对模型参数进行编程配置^®命令窗口。

set_param (“googlenetModel”，“GPUAcceleration”，“上”）;

要构建和模拟GPU加速模型，请选择运行在模拟选项卡或使用MATLAB命令:

= sim卡(“googlenetModel”）;

软件首先检查CUDA/ c++代码之前是否为您的模型编译过。如果代码是之前创建的，那么软件将运行模型。如果之前没有构建代码，软件首先生成并编译CUDA/ c++代码，然后运行模型。代码生成工具将生成的代码放在工作文件夹的子文件夹中slprj / _slprj / googlenetModel．

以直方图的形式显示前五个预测标签及其相关概率。由于网络将图像划分为许多对象类别，而且许多类别是相似的，所以在评估网络时通常会考虑前五名的准确性。该网络以很高的概率将该图像分类为甜椒。

我= imread (“peppers.png”）;classNamesTop = classNames(out.yout{2}.Values.Data(:，:，1)) h =图;h.Position (3) = 2 * h.Position (3);ax₁=情节(1、2、1);ax2 =情节(1、2、2);图像(ax₁,im);barh (ax2 out.yout {1} .Values.Data(1、5:1:1,1)包含(ax2,“概率”) yticklabels (ax2 classNamesTop (5: 1:1)) ax2。YAxisLocation =“对”；sgtitle (“使用GoogLeNet的五大预测”）

选择代码生成窗格。设置系统目标文件来grt.tlc．

您也可以使用嵌入式编码器^®目标文件ert.tlc或者自定义系统目标文件。

对于GPU代码生成，自定义目标文件必须基于grt.tlc或ert.tlc．有关开发自定义目标文件的信息，请参见自定义系统目标文件(仿真软件编码器)．

设置语言来c++．

选择生成GPU的代码．

选择只生成代码．

选择工具链．Linux^®平台,选择NVIDIA CUDA | gmake(64位Linux)．对于Windows^®系统,选择NVIDIA CUDA (w/Microsoft Visual c++ 20XX) | nmake(64位windows)．

当使用自定义系统目标文件时，您必须为工具链方法设置构建控件。要了解关于自定义目标的工具链方法的更多信息，请参见支持自定义目标工具链方法(仿真软件编码器)．

在代码生成>报告窗格中,选择创建代码生成报告而且自动打开报告．

在代码生成>接口窗格中,设置目标库在深度学习集团cuDNN．

您也可以选择TensorRT针对NVIDIA gpu的TensorRT高性能推理库。

当生成GPU的代码参数时，特定于GPU Coder的选项将在代码生成> GPU代码窗格。对于本例，您可以使用中特定于gpu的参数的默认值代码生成> GPU代码窗格。

点击好吧保存并关闭“配置参数”对话框。

你也可以用set_param函数在MATLAB命令窗口中以编程方式配置模型参数。

set_param (“googlenetModel”，“GenerateGPUCode”，CUDA的）;

在Simulink编辑器中，打开仿真软件编码器应用程序。

生成的代码。