findPlaceholderLayers
在从Keras导入的网络架构中找到占位符层ONNX
语法
描述
返回网络体系结构中存在的所有占位符层placeholderLayers
= findPlaceholderLayers (importedLayers
)importedLayers
由importKerasLayers
或importONNXLayers
函数创建的functionToLayerGraph
函数。占位符层是这些函数插入的层,用于代替深度学习工具箱™不支持的层。万博1manbetx
若要与导入的网络一起使用,此函数需要TensorFlow™模型的深度学习工具箱转换器万博1manbetx支持包或ONNX™模型格式的深度学习工具箱转换器万博1manbetx支持包。
[
还返回占位符层的索引。placeholderLayers
,指数
= findPlaceholderLayers(importedLayers
)
例子
查找并探索占位符层
指定要从中导入层的Keras网络文件。
modelfile =“digitsDAGnetwithnoise.h5”;
导入网络架构。该网络包括一些深度学习工具箱不支持的层类型。万博1manbetx的importKerasLayers
函数将每个不受支持的层替换为占位符层并返回警告消息万博1manbetx。
lgraph = importKerasLayers(modelfile)
警告:无法导入一些Keras层,因为深度学习工具箱不支持它们。万博1manbetx它们已被占位符层所取代。为了找到这些层,在返回的对象上调用findPlaceholderLayers函数。
lgraph = LayerGraph with properties: Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
显示已导入的网络层。两个占位符层取代了Keras网络中的高斯噪声层。
lgraph。层
ans = 15x1带有图层的图层数组:1“input_1”28 x28x1图像输入图像2 conv2d_1的二维卷积20 7 x7旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4“conv2d_2”二维卷积20 3 x3的隆起与步幅[1]和填充“相同”5“conv2d_2_relu”ReLU ReLU 6“gaussian_noise_1”占位符层占位符的GaussianNoise Keras一层一层7“gaussian_noise_2”占位符的占位符的GaussianNoise Keras层8“max_pooling2d_1”二维最大池2 x2马克斯池与步[22]和填充'相同' 9 'max_pooling2d_2' 2- d Max Pooling 2x2 Max Pooling with stride[2 2]和填充'相同' 10 ' flat_1 ' Keras Flatten Flatten activation into 1-D假设C-style (row-major) order 11 ' flat_2 ' Keras Flatten Flatten activation into 1-D假设C-style (row-major) order 12 'concatenate_1'深度拼接2个输入的深度拼接13 'dense_1' Fully Connected 10 Fully Connected layer 14 'activation_1' Softmax Softmax 15 'ClassificationLayer_activation_1'分类输出
找到占位符层使用findPlaceholderLayers
.输出参数包含两个占位符层importKerasLayers
来代替Keras网络的高斯噪声层。
placeholder = findPlaceholderLayers(lgraph)
1' gaussian_noise_1' PLACEHOLDER LAYER 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER 'GaussianNoise' Keras层占位符
为每个占位符层指定一个名称。
Gaussian1 =占位符(1);高斯2 =占位符(2);
显示每个占位符层的配置。
gaussian1。KerasConfiguration
ans =带字段的结构:可训练:1名:'gaussian_noise_1' stddev: 1.5000
gaussian2。KerasConfiguration
ans =带字段的结构:可训练:1名:'gaussian_noise_2' stddev: 0.7000
从预训练的Keras层组装网络
这个示例展示了如何从预训练的Keras网络导入层,用自定义层替换不支持的层,并将这些层组装成一个网络,以便进行预测。万博1manbetx
导入Keras网络
从Keras网络模型导入层。美国的网络“digitsDAGnetwithnoise.h5”
对数字图像进行分类。
文件名=“digitsDAGnetwithnoise.h5”;lgraph = importKerasLayers(文件名,“ImportWeights”,真正的);
警告:无法导入一些Keras层,因为深度学习工具箱不支持它们。万博1manbetx它们已被占位符层所取代。为了找到这些层,在返回的对象上调用findPlaceholderLayers函数。
Keras网络包含一些深度学习工具箱不支持的层。万博1manbetx的importKerasLayers
函数显示警告并将不支持的层替换为占位符层。万博1manbetx
绘制层图使用情节
.
图表(lgraph)标题(“进口网络”)
替换占位符图层
要替换占位符层,首先确定要替换的层的名称。找到占位符层使用findPlaceholderLayers
.
placeholderLayers = findPlaceholderLayers(lgraph)
1' gaussian_noise_1' PLACEHOLDER LAYER 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER 'GaussianNoise' Keras层的占位符
显示这些层的Keras配置。
placeholderLayers。KerasConfiguration
ans =带字段的结构:可训练:1名:'gaussian_noise_1' stddev: 1.5000
ans =带字段的结构:可训练:1名:'gaussian_noise_2' stddev: 0.7000
定义一个自定义高斯噪声层。要创建这个图层,保存文件gaussianNoiseLayer.m
在当前文件夹中。然后,创建两个高斯噪声层,与导入的Keras层配置相同。
gnLayer1 = gaussianNoiseLayer(1.5,“new_gaussian_noise_1”);gnLayer2 = gaussianNoiseLayer(0.7,“new_gaussian_noise_2”);
使用自定义层替换占位符层replaceLayer
.
lgraph =替换层(lgraph,“gaussian_noise_1”, gnLayer1);lgraph =替换层(lgraph,“gaussian_noise_2”, gnLayer2);
绘制更新后的图层图情节
.
图表(lgraph)标题(“替换层的网络”)
指定类名
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。如果您没有指定类,那么软件将自动将类设置为1
,2
、……N
,在那里N
是类的数量。
属性来查找分类层的索引层
层图的属性。
lgraph。层
ans = 15x1带有图层的图层数组:1“input_1”28 x28x1图像输入图像2 conv2d_1的二维卷积20 7 x7x1旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4“conv2d_2”二维卷积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”二维最大池2 x2马克斯池与步伐[22]和填充'相同' 9 'max_pooling2d_2' 2- d Max Pooling 2x2 Max Pooling with stride[2 2]和填充'相同' 10 ' flat_1 ' Keras Flatten Flatten activation into 1-D假设C-style (row-major) order 11 ' flat_2 ' Keras Flatten Flatten activation into 1-D假设C-style (row-major) order 12 'concatenate_1'深度拼接2个输入的深度拼接13 'dense_1' Fully Connected 10 Fully Connected layer 14 'activation_1' Softmax Softmax 15 'ClassificationLayer_activation_1'分类输出
分类层有名称“ClassificationLayer_activation_1”
.查看分类层,检查类
财产。
cLayer = lgraph.Layers(end)
cLayer = ClassificationOutputLayer与属性:名称:'ClassificationLayer_activation_1'类:'auto' ClassWeights: 'none' OutputSize: 'auto'超参数LossFunction: 'crossentropyex'
因为类
层的属性为“汽车”
时,必须手动指定类。将类设置为0
,1
、……9
,然后将导入的分类层替换为新的分类层。
粘土。class = string(0:9)
cLayer = ClassificationOutputLayer与属性:名称:'ClassificationLayer_activation_1'类:[0 1 2 3 4 5 6 7 8 9]ClassWeights: 'none' OutputSize: 10超参数LossFunction: 'crossentropyex'
lgraph =替换层(lgraph,“ClassificationLayer_activation_1”、粘土);
组装网络
使用组合图层图assembleNetwork
.函数返回一个DAGNetwork
对象,该对象已准备用于预测。
net =汇编网络(lgraph)
net = DAGNetwork with properties: Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
输入参数
importedLayers
- - - - - -网络架构从Keras或ONNX导入或由functionToLayerGraph
层
数组|LayerGraph
对象
网络架构从Keras或ONNX导入或由functionToLayerGraph
,指定为层
数组或LayerGraph
对象。
输出参数
placeholderLayers
-网络架构中的所有占位符层
的数组PlaceholderLayer
对象
的数组返回网络体系结构中的所有占位符层PlaceholderLayer
对象。
指数
-占位符层的索引
向量
占位符层的索引,作为向量返回。
如果
importedLayers
是一个层数组吗指数
占位符层的索引在吗importedLayers
.如果
importedLayers
是一个LayerGraph
对象,然后指数
占位符层的索引在吗importedLayers。层
.
控件中删除一层或添加一层层
数组或LayerGraph
对象,则对象中其他层的索引可以更改。你必须使用findPlaceholderLayers
再次查找其余占位符层的更新索引。
提示
如果你安装了TensorFlow模型的深度学习工具箱转换器而且
findPlaceholderLayers
无法找到导入ONNX网络时创建的占位符层,然后尝试更新TensorFlow模型的深度学习工具箱转换器万博1manbetx插件资源管理器中的支持包。
版本历史
在R2017b中引入
Abrir比如
Tiene una versión modificada de este ejemplo。¿Desea abrir este ejemplo con sus modificaciones?
MATLAB突击队
Ha hecho clic en unenlace que对应一个este commando de MATLAB:
弹射突击队introduciéndolo en la ventana de commandos de MATLAB。Los navegadores web no permission comandos de MATLAB。
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。