从佩带的Keras层组装网络

此示例使用：

打开生活的脚本

此示例显示如何从佩带的Keras网络导入图层，将不受支持的图层替换为自定义图层，并将图层组装到准备预测的网络中。万博1manbetx

进口Keras网络

从KERAS网络模型导入图层。网络in.'digitsdagnetwithnoise.h5'分类数字图像。

filename =.'digitsdagnetwithnoise.h5'；lgraph = importKerasLayers(文件名,'进口重量'，真的）;

警告：无法导入某些keras图层，因为深度学习工具箱不支持它们。万博1manbetx他们已被占位符层所取代。要查找这些图层，请在返回的对象上调用FindPlaceHolderLayers。

Keras网络包含一些深度学习工具箱不支持的层。万博1manbetx的importKerasLayers函数显示警告并用占位符图层替换不支持的图层。万博1manbetx

使用图层图阴谋．

图绘制（3）标题（“进口网络”）

图包含轴对象。具有标题导入网络的轴对象包含Type Graphplot的对象。

更换占位符层

要替换占位符，请先识别要替换的图层的名称。查找占位符层使用findPlaceholderLayers．

PlaceHolderLayers = FindPlaceHolderLayers（Lapraph）

placeholderLayers = 2x1 PlaceholderLayer array with layers: 1' gaussian_noise_1' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER

显示这些图层的Keras配置。

placeholderlayers.kerasconfiguration.

ans =.结构与字段：培训：1名称：'Gaussian_Noise_1'STDDEV：1.5000

ans =.结构与字段：培训：1名称：'Gaussian_Noise_2'STDDev：0.7000

定义自定义高斯噪声层。要创建此图层，请保存文件Gaussiannoiselayer.m.在当前文件夹中。然后，创建两个高斯噪声层，配置与导入的Keras层相同。

gnlayer1 =高斯登机会（1.5，'new_gaussian_noise_1'）;gnLayer2 = gaussianNoiseLayer (0.7,'new_gaussian_noise_2'）;

使用自定义图层替换占位符层替换剂．

Lgraph =替换剂（LGROPE，'gaussian_noise_1'，gnlayer1）;Lgraph =替换剂（LGROPE，'gaussian_noise_2', gnLayer2);

使用更新的图层图阴谋．

图绘制（3）标题（“具有替换层的网络”）

图包含轴对象。带有替换图层的标题网络的轴对象包含了Type Graphplot的对象。

指定类名称

如果导入的分类层不包含类，则必须在预测之前指定这些类。如果不指定类，则软件会自动将类设置为1那2，......，N，在哪里N是课程的数量。

通过查看来找分类层的索引层数图层图的属性。

lapraph.Layers.

ans = 15x1图层数组:1“input_1”图像输入28 x28x1图片2的conv2d_1卷积20 7 x7x1旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4 conv2d_2的卷积20 3 x3x1旋转步[1]和填充“相同”5“conv2d_2_relu”ReLU ReLU 6 new_gaussian_noise_1高斯噪声的高斯噪声标准差为1.5 7new_gaussian_noise_2高斯噪声的高斯噪声标准差为0.7 8“max_pooling2d_1”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”9“max_pooling2d_2”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”10 ' flatten_1 Keras平压平激活成一维假设c风格的(行)11' Flatten ' Flatten激活到1-D假设C-style(行-主要)顺序12 'concatenate_1' Depth concatenate_1' Depth concatenate_1' Fully Connected 10 Fully Connected layer 14 'activation_1' Softmax Softmax 15 'ClassificationLayer_activation_1' Classification Output crossentropyex

分类层具有名称'classificationlayer_activation_1'．查看分类层并检查班级财产。

Clayer = Lapraph.Layers（END）

cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'

因为这班级属性为'汽车'，则必须手动指定类。将类设置为0.那1，......，9.，然后用新的分类层替换导入的分类层。

粘土。类=字符串(0:9)

Clayer =具有属性的分类OutputLayer：名称：'ClassificationLayer_Activation_1'类：[0 1 2 3 4 5 6 7 8 9]类重量：'无'输出大小：10 HyperParepers underfunction：'crossentropyex'

Lgraph =替换剂（LGROPE，'classificationlayer_activation_1'，粘土）;

组装网络

使用层图assembleNetwork．函数返回Dagnetwork.准备用于预测的对象。

net = assemblenetwork（lgraph）

net =具有属性的dagnetwork：图层：[15x1 nnet.cnn.layer.layer]连接：[15x2表]输入名称：{'input_1'} OutputNames：{'classificationLayer_activation_1'}

也可以看看

深度学习工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

下载电子书