加载预先训练好的GoogLeNet网络。您可以选择加载不同的预训练网络进行图像分类。如果您没有安装所需的支持包，请根据软件安装指导书进行安装。

Net = googlenet;

的对象网包含了DAGNetwork对象。使用analyzeNetwork功能，用于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，并显示有关网络层的详细信息。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。从1000个类名中随机查看10个。

classNames = net.Layers(end).Classes;numClasses = numel(classNames);disp(类名(randperm (numClasses 10)))

“快艇”、“纱窗”、“等足类动物”、“木勺”、“口红”、“公鸭”、“鬣狗”、“哑铃”、“草莓”、“蛋奶苹果”

创建一个Simulink模型并插入一个MATLAB函数从用户定义函数图书馆。

添加一个图片来自文件从计算机视觉工具箱库，并设置文件名称参数peppers.png．

添加一个调整从计算机视觉工具箱库的模型。设置指定参数。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将输入图像的大小调整为网络输入层的大小。

双击MATLAB函数块。属性中出现默认函数签名MATLAB函数块编辑器。

定义一个函数googlenet_predict，实现了预测入口点函数。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[scores,indxTop] = googlenet_predict(in)% # codegen持续的mynet;如果mynet = code . loaddeeplearningnetwork (mynet)“googlenet”）;结束输入合格率Predict_scores = predict(mynet,in);[scores,indx] = sort(predict_scores，“下”）;indxTop = indx(1:5);

持久对象mynet加载DAGNetwork对象。在第一次调用入口点函数时，构造并设置持久对象。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时，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)方法来为特定层进行网络激活。例如，下面这行代码返回中指定的层的网络激活layerIdx．

out =激活(mynet,in,layerIdx，'输出'，'通道');

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

[out,scores] = category (mynet,in);

对于LSTM网络，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，把这些块连接起来。将模型另存为googlenetModel．

打开“配置参数”对话框。打开解算器窗格。要编译您的模型以加速并生成CUDA代码，请将模型配置为使用固定步骤求解器。下表显示了本例的求解器配置。

选择模拟目标窗格。设置语言来c++．

选择GPU加速．

特定于GPU编码器的选项现在可以在模拟目标> 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，设置目标库参数中的深度学习集团cuDNN．

您也可以选择TensorRT针对NVIDIA gpu的TensorRT高性能推断库。

点击好吧保存并关闭“配置参数”对话框。

你可以使用set_param在MATLAB中编程配置模型参数^®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tab或使用MATLAB命令:

Out = sim(“googlenetModel”）;

该软件首先检查CUDA/ c++代码之前是否为您的模型编译过。如果之前创建了代码，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如此多的对象类别，并且许多类别是相似的，因此在评估网络时，通常会考虑前五名的准确性。该网络以高概率将图像分类为灯笼椒。

Im = imread(“peppers.png”）;classNamesTop = classNames(out.yout{2}.Values.Data(:，:，1)) h = figure;h.位置(3)= 2*h.位置(3);Ax1 = subplot(1,2,1);Ax2 = subplot(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))YAxisLocation =“对”；sgtitle (“使用GoogLeNet的5大预测”）

选择代码生成窗格。设置系统目标文件来grt.tlc．

你也可以使用嵌入式编码器^®目标文件ert.tlc或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，必须为工具链方法设置构建控件。要了解用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的工具链方法(仿真软件编码器)．

在代码生成>报表窗格中,选择创建代码生成报告而且自动打开报表．

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高性能推断库。

当生成GPU代码参数启用时，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。

你也可以使用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。