importKerasLayers
从Keras进口层网络
描述
例子
下载并安装深度学习工具箱转换器TensorFlow模型
下载和安装的深度学习工具箱转换器TensorFlow模型支持包。万博1manbetx
类型importKerasLayers在命令行中。
importKerasLayers
如果深度学习工具箱为TensorFlow模型转换器支持包没有安装,那么函数提供了一个链接到需要在插件浏览器支持包。万博1manbetx安装支持包,单击该链接,然后单万博1manbetx击安装。检查安装成功的导入层模型文件“digitsDAGnet.h5”在命令行中。如果所需的支持包安装,那么函数返万博1manbetx回LayerGraph对象。
modelfile =“digitsDAGnet.h5”;净= importKerasLayers (modelfile)
网= LayerGraph属性:层:x1 nnet.cnn.layer.Layer[13]连接:[13 x2表]InputNames: {“input_1”} OutputNames: {“ClassificationLayer_activation_1”}
从Keras进口层网络和情节架构
从模型文件导入网络层digitsDAGnet.h5。
modelfile =“digitsDAGnet.h5”;层= importKerasLayers (modelfile)
层= LayerGraph属性:层:x1 nnet.cnn.layer.Layer[13]连接:[13 x2表]InputNames: {“input_1”} OutputNames: {“ClassificationLayer_activation_1”}
绘制网络体系结构。
情节(层)
进口Keras网络层和培训网络
指定网络文件导入。
modelfile =“digitsDAGnet.h5”;
导入网络层。
层= importKerasLayers (modelfile)
层= LayerGraph属性:层:x1 nnet.cnn.layer.Layer[13]连接:[13 x2表]InputNames: {“input_1”} OutputNames: {“ClassificationLayer_activation_1”}
加载数据集训练一个分类器识别新的数字。
文件夹= fullfile (toolboxdir (“nnet”),“nndemos”,“nndatasets”,“DigitDataset”);imd = imageDatastore(文件夹,…“IncludeSubfolders”,真的,…“LabelSource”,“foldernames”);
分区数据集分为训练集和测试集。
numTrainFiles = 750;[imdsTrain, imdsTest] = splitEachLabel (imd, numTrainFiles“随机”);
设置培训选项。
选择= trainingOptions (“个”,…“MaxEpochs”10…“InitialLearnRate”,0.001);
使用训练数据训练网络。
网= trainNetwork (imdsTrain层,选项);
培训在单CPU。| = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | | |时代迭代时间| Mini-batch | Mini-batch |基地学习| | | | (hh: mm: ss) | | |损失精度率| | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = | | 1 | 1 | 00:00:01 | 15.62% | 31.6977 | 0.0010 | | 1 | 50 | 00:00:15 | 63.28% | 1.2109 | 0.0010 | | 100 | | 00:00:25 | 85.16% | 0.4191 | 0.0010 | | 3 | 150 | 00:00:36 | 95.31% | 0.1755 | 0.0010 | | 200 | | 00:00:46 | 99.22% | 0.0460 | 0.0010 | | 250 | | 00:00:56 | 100.00% | 0.0374 | 0.0010 | | 6 | 300 | 00:01:08 | 96.88% | 0.1225 | 0.0010 | | 350 | | 00:01:19 | 100.00% | 0.0087 | 0.0010 | | 400 | | 00:01:34 | 100.00% | 0.0167 | 0.0010 | | 450 | | 00:01:44 | 100.00% | 0.0097 | 0.0010 | | 500 | | 00:01:54 | 100.00% | 0.0047 | 0.0010 | | 550 | | 00:02:07 | 100.00% | 0.0031 | 0.0010 | | 580 | | 00:02:15 | 100.00% | 0.0059 | 0.0010 | | = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = |培训完成:马克思时代完成。
运行测试集上的训练网络,不是用于训练网络,预测图像标签(数字)。
YPred =分类(净,imdsTest);欧美= imdsTest.Labels;
计算的准确性。
精度= (YPred = =次)/元素个数之和(欧美)
精度= 0.9856
从相同的文件导入Keras网络体系结构和权重
指定网络文件导入层和权重。
modelfile =“digitsDAGnet.h5”;
导入网络体系结构和权重从您指定的文件。导入层权重,指定“ImportWeights”是真正的。与权重函数也进口层从同一HDF5文件。
层= importKerasLayers (modelfile,“ImportWeights”,真正的)
层= LayerGraph属性:层:x1 nnet.cnn.layer.Layer[13]连接:[13 x2表]InputNames: {“input_1”} OutputNames: {“ClassificationLayer_activation_1”}
视图的大小重量在第二层。
重量= layers.Layers (2) .Weights;大小(重量)
ans =1×47 7 1 20
进口的权重函数层权值非空。
从单独的文件导入Keras网络体系结构和权重
指定的网络文件导入层包含权重和文件。
modelfile =“digitsDAGnet.json”;重量=“digitsDAGnet.weights.h5”;
导入网络体系结构和权重从您指定的文件。. json文件不包括一个输出层。指定输出层,所以importKerasLayers增加了一个输出层的网络体系结构。
层= importKerasLayers (modelfile,…“ImportWeights”,真的,…“WeightFile”权重,…“OutputLayerType”,“分类”)
层= LayerGraph属性:层:x1 nnet.cnn.layer.Layer[13]连接:[13 x2表]InputNames: {“input_1”} OutputNames: {“ClassificationLayer_activation_1”}
组装网络从Pretrained Keras层
这个例子展示了如何导入层从pretrained Keras网络取代不支持自定义层的层,和组装层准备网络预测。万博1manbetx
进口Keras网络
导入从Keras层网络模型。网络在“digitsDAGnetwithnoise.h5”分类的图像数字。
文件名=“digitsDAGnetwithnoise.h5”;lgraph = importKerasLayers(文件名,“ImportWeights”,真正的);
警告:无法导入一些Keras层,因为他们是不支持的深度学习工具。万博1manbetx他们已经被占位符层。为了找到这些层,调用这个函数findPlaceholderLayers返回的对象。
Keras网络不支持包含一些层深度学习工具箱。万博1manbetx的importKerasLayers函数显示一个警告,取代了支持层,一层一层的占位符。万博1manbetx
绘制层图使用情节。
图绘制(lgraph)标题(“进口网络”)
替换占位符层
替换占位符层,首先识别层的名称来代替。发现使用占位符层findPlaceholderLayers。
placeholderLayers = findPlaceholderLayers (lgraph)
placeholderLayers = 2 x1 PlaceholderLayer阵列层:1“gaussian_noise_1”占位符层占位符的GaussianNoise Keras层2的gaussian_noise_2占位符一层一层的GaussianNoise Keras的占位符
显示Keras配置这些层。
placeholderLayers.KerasConfiguration
ans =结构体字段:可训练的:1名称:“gaussian_noise_1”stddev: 1.5000
ans =结构体字段:可训练的:1名称:“gaussian_noise_2”stddev: 0.7000
定义一个自定义高斯噪声层。创造这一层,保存文件gaussianNoiseLayer.m在当前文件夹。然后,创建两个高斯噪声层与进口Keras层相同的配置。
gnLayer1 = gaussianNoiseLayer (1.5,“new_gaussian_noise_1”);gnLayer2 = gaussianNoiseLayer (0.7,“new_gaussian_noise_2”);
用自定义层使用替换占位符层replaceLayer。
lgraph = replaceLayer (lgraph,“gaussian_noise_1”,gnLayer1);lgraph = replaceLayer (lgraph,“gaussian_noise_2”,gnLayer2);
情节更新层图使用情节。
图绘制(lgraph)标题(“网络取代层”)
指定类名
如果导入的分类层不包含的类,那么您必须指定这些之前的预测。如果你不指定的类,然后软件自动设置类1,2、……N,在那里N类的数量。
找到的索引分类层通过查看层层的属性图。
lgraph.Layers
ans x1 = 15层阵列层: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 7 new_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)订单11的flatten_2 Keras平压平激活成一维假设c风格的(行)订单12的concatenate_1深度连接深度连接2输入13“dense_1”完全连接10完全连接层14的activation_1 Softmax Softmax 15 ClassificationLayer_activation_1 crossentropyex分类输出
分类层的名字“ClassificationLayer_activation_1”。查看分类层和检查类财产。
粘土= lgraph.Layers(结束)
粘土= ClassificationOutputLayer属性:名称:“ClassificationLayer_activation_1”类:“汽车”ClassWeights:“没有一个”OutputSize:‘汽车’Hyperparameters LossFunction:“crossentropyex”
因为类层的属性“汽车”,您必须手动指定的类。设置类0,1、……9,然后用新的代替进口分类层。
粘土。类=字符串(0:9)
粘土= ClassificationOutputLayer属性:名称:“ClassificationLayer_activation_1”类:[0 1 2 3 4 5 6 7 8 9]ClassWeights:“没有一个”OutputSize: 10 Hyperparameters LossFunction:“crossentropyex”
lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);
组装网络
组装层图使用assembleNetwork。函数返回一个DAGNetwork为预测对象,已经可以使用了。
净= assembleNetwork (lgraph)
网= DAGNetwork属性:层:x1 nnet.cnn.layer.Layer[15]连接:[15 x2表]InputNames: {“input_1”} OutputNames: {“ClassificationLayer_activation_1”}
进口Keras PReLU层
进口从Keras网络层参数修正线性单元(PReLU)层。
PReLU层执行一个阈值操作,为每个通道,任何输入值小于零乘以一个标量。PReLU操作是由
在哪里 是输入的非线性激活吗 频道 , 是扩展参数控制负部分的斜率。下标 在 表明该参数可以是一个向量和非线性激活不同在不同的频道。
importKerasNetwork和importKerasLayers可以导入一个网络,其中包括PReLU层。这些功能同时支持纯量值和向量值缩万博1manbetx放参数。如果一个尺度参数是一个向量,那么函数取代向量的平均向量元素。你可以修改一个PReLU层向量值导入后尺度参数。
指定网络文件导入。
modelfile =“digitsDAGnetwithPReLU.h5”;
digitsDAGnetwithPReLU包括两个PReLU层。有一个纯量值尺度参数,另一个向量值缩放参数。
进口的网络体系结构和权重modelfile。
层= importKerasLayers (modelfile,“ImportWeights”,真正的);
警告:层“p_re_lu_1”与向量值PReLU层参数。的函数替换参数的平均向量元素。你可以改变参数导入后回到一个向量。
的importKerasLayers函数显示一个警告PReLu层p_re_lu_1。函数替换的向量值缩放参数p_re_lu_1平均向量的元素。你可以改变参数向量。首先,找到的索引PReLU层通过查看层财产。
layers.Layers
ans x1 = 13层阵列层: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_2”卷积20 3 x3x1旋转步[1]和填充“相同”4“p_re_lu_1”PReLU PReLU层5‘p_re_lu_2 PReLU PReLU层6“max_pooling2d_1”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”7”max_pooling2d_2马克斯池2 x2马克斯池步(2 - 2)和填充“相同”8 ' flatten_1 Keras平压平激活成一维假设c风格的(行)订单9的flatten_2 Keras平压平激活成一维假设c风格的(行)为10的concatenate_1深度连接深度连接2输入11“dense_1”完全连接10完全连接层12的dense_1_softmax Softmax Softmax 13 ClassificationLayer_dense_1 crossentropyex分类输出
层有两个PReLU层。提取第四层p_re_lu_1,最初向量值通道尺寸的尺度参数。
tempLayer = layers.Layers (4)
tempLayer = PreluLayer属性:名称:“p_re_lu_1”RawAlpha: [20 x1单]可学的参数α:0.0044状态参数没有属性。显示所有属性
的RawAlpha属性包含了向量值尺度参数,α属性包含一个标量,是一个元素的平均向量的值。重塑RawAlpha在第三维度,将向量的值相对应的频道维度。然后,取代α与重塑RawAlpha值。
tempLayer。α=reshape(tempLayer.RawAlpha,[1,1,numel(tempLayer.RawAlpha)])
tempLayer = PreluLayer属性:名称:“p_re_lu_1”RawAlpha: [20 x1单]可学的参数α:1 x1x20单状态参数没有属性。显示所有属性
取代p_re_lu_1层层与tempLayer。
层= replaceLayer(层,“p_re_lu_1”,tempLayer);layers.Layers (4)
ans = PreluLayer属性:名称:“p_re_lu_1”RawAlpha: [20 x1单]可学的参数α:1 x1x20单状态参数没有属性。显示所有属性
现在,p_re_lu_1层有一个向量值缩放参数。
输入参数
输出参数
限制
importKerasLayers万博1manbetx支持TensorFlow-Keras版本如下:2.2.4函数完全支持TensorFl万博1manbetxow-Keras版本。
函数提供了有限的支持TensorFlow-Keras测试万博1manbetx盒框2.2.5版本)。
更多关于
提示
如果网络包含一层深度学习工具箱转换器TensorFlow模型不支持(见万博1manbetx万博1manbetx支持Keras层),然后
importKerasLayers插入一个占位符一层一层的不支持的。万博1manbetx找到支持的名称和指标层网络中,使用万博1manbetxfindPlaceholderLayers函数。你可以换一个占位符层定义的一个新图层。替换一个层,使用replaceLayer。你可以换一个占位符一层一层的新定义。
如果网络是一系列网络,那么直接代替层数组中。例如,
层(2)= newlayer;。如果网络是DAG网络,然后代替层使用
replaceLayer。例如,看到的组装网络从Pretrained Keras层。
您可以导入一个Keras网络具有多个输入和多个输出(MIMO)。使用
importKerasNetwork如果网络包括输入大小信息的输入和输出的信息损失。否则,使用importKerasLayers。的importKerasLayers输入和输出函数插入占位符层。导入后,您可以通过使用查找和替换占位符层findPlaceholderLayers和replaceLayer,分别。工作流针对进口MIMO Keras网络是一样的工作流了进口ONNX™网络。例如,看到的导入和组装ONNX网络与多个输出。学习深入学习网络具有多个输入和多个输出,明白了多和多输出网络。使用pretrained网络预测或转让学习新的图片,你必须进行预处理图像以同样的方式用于火车导入模型的图像预处理。最常见的预处理步骤调整图片大小,图像减去平均值,并从BGR图像RGB图像转换。
更多信息预处理图像进行训练和预测,明白了预处理图像深度学习。
MATLAB使用集中的索引,而Python®使用从零开始的索引。换句话说,在数组第一个元素的索引1和0在MATLAB和Python,分别。MATLAB索引的更多信息,请参阅数组索引。在MATLAB中,使用数组索引(
印第安纳州)在Python中,创建数组转换为印第安纳州+ 1。
选择功能
使用
importKerasNetwork或importKerasLayers进口在HDF5 TensorFlow-Keras网络或JSON格式。如果TensorFlow网络模型格式保存,使用importTensorFlowNetwork或importTensorFlowLayers。如果你导入一个定制TensorFlow-Keras层或如果软件不能TensorFlow-Keras层转化为一个等价的内置MATLAB层,您可以使用
importTensorFlowNetwork或importTensorFlowLayers,来生成一个自定义层。例如,importTensorFlowNetwork和importTensorFlowLayers当你导入TensorFlow-Keras生成一个自定义层λ层。
引用
[1]Keras: Python深度学习库。https://keras.io。
