PlaceholderLayer
层替换不支持的Keras或万博1manbetxONNX层
描述
PlaceholderLayer是一个图层importKerasLayers而且importONNXLayers插入到层数组或层图中，以代替不支持的Keras或ONNX™层。万博1manbetx
创建
从具有深度学习工具箱™不支持的层的Keras或ONNX网络导入层会创建万博1manbetxPlaceholderLayer对象。
属性
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: InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'} Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table]
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
使用辅助工具创建两个高斯噪声层，配置与导入的Keras层相同gaussianNoiseLayer函数。
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[2 2] and padding 'same' 9 'max_pooling2d_2' 2-D Max Pooling 2x2 max pooling with stride [2 2] and padding 'same' 10 'flatten_1' Keras Flatten Flatten activations into 1-D assuming C-style (row-major) order 11 'flatten_2' Keras Flatten Flatten activations into 1-D assuming C-style (row-major) order 12 'concatenate_1' Depth concatenation Depth concatenation of 2 inputs 13 'dense_1' Fully Connected 10 fully connected layer 14 'activation_1' Softmax softmax 15 'ClassificationLayer_activation_1' Classification Output crossentropyex
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'}
版本历史
在R2017b中引入
您也可以从以下列表中选择一个网站: