主要内容

assembleNetwork

从预先训练的层组装深度学习网络

折叠所有页面

语法

assembledNet = assembleNetwork(层)

描述

assembleNetwork无需训练就能从各个层次创建深度学习网络。

使用assembleNetwork以下任务:

  • 将一个层阵列或层图转换为一个网络准备进行预测。

  • 从导入的层组装网络。

  • 修改训练网络的权值。

从头开始训练网络，使用trainNetwork．

例子

assembledNet= assembleNetwork (层）组装层阵列或层图层变成一个可以用于预测的深度学习网络。

例子

全部折叠

这个示例使用:

打开生活的脚本

从预先训练的Keras网络导入层，将不支持的层替换为自定义层，并将层组装到一个网络中准备进行预测。万博1manbetx

进口Keras网络

从Keras网络模型导入层。网络在“digitsDAGnetwithnoise.h5”分类图像的数字。

文件名=“digitsDAGnetwithnoise.h5”；lgraph = importKerasLayers(文件名,“ImportWeights”,真正的);
警告:无法导入一些Keras层，因为它们不被深度学习工具箱支持。万博1manbetx它们已经被占位符层所取代。要查找这些层，调用返回对象上的函数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函数显示一个警告并将不支持的层替换为占位符层。万博1manbetx

替换占位符层

要替换占位符层，首先确定要替换的层的名称。使用。查找占位符层findPlaceholderLayers并显示其Keras配置。

placeholderLayers = findPlaceholderLayers (lgraph);placeholderLayers。KerasConfiguration
ans =结构体字段:可训练:1 name: 'gaussian_noise_1' stddev: 1.5000
ans =结构体字段:可训练:1 name: 'gaussian_noise_2' stddev: 0.7000

通过保存文件定义一个自定义高斯噪声层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 = 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 = replaceLayer (lgraph,“gaussian_noise_1”, gnLayer1);lgraph = replaceLayer (lgraph,“gaussian_noise_2”, gnLayer2);

指定类名

导入的分类层不包含类，因此必须在组装网络之前指定这些类。如果不指定类，则软件会自动将类设置为1，2、……N,在那里N为类数。

分类层有名称“ClassificationLayer_activation_1”．将类设置为0，1、……9，然后用新的分类层替换导入的分类层。

粘土= lgraph.Layers(结束);粘土。类=字符串(0:9);lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);

组装网络

使用assembleNetwork．函数返回DAGNetwork准备用于预测的对象。

净= assembleNetwork (lgraph)
net = DAGNetwork with properties: Layers: [15x1 net.cnn.layer. layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

输入参数

全部折叠

网络层，指定为层数组或一个LayerGraph对象。

要创建一个所有层按顺序连接的网络，您可以使用层数组作为输入参数。在本例中，返回的网络为SeriesNetwork对象。

有向无环图(DAG)网络具有复杂的结构，其中各层可以有多个输入和输出。要创建DAG网络，将网络架构指定为LayerGraph对象，然后使用该层图作为输入参数assembleNetwork．

有关内置层的列表，请参见深度学习层列表．

输出参数

全部折叠

组装的网络准备进行预测，返回为SeriesNetwork对象或一个DAGNetwork对象。返回网络取决于层输入参数:

  • 如果层是一个层数组,然后assembledNet是一个SeriesNetwork对象。

  • 如果层是一个LayerGraph对象,然后assembledNet是一个DAGNetwork对象。

另请参阅

|||||

主题

介绍了R2018b

深度学习工具箱文档

万博1manbetx

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书