从预训练的Keras层组装网络

此示例使用：

打开实时脚本

此示例演示如何从预训练的Keras网络导入层，将不支持的层替换为自定义层，并将层组装到网络中以备预测。万博1manbetx

导入Keras网络

从Keras网络模型导入图层。中的网络“digitsDAGnetwithnoise.h5”对数字图像进行分类。

文件名=“digitsDAGnetwithnoise.h5”；lgraph=importKerasLayers（文件名，“重要性”，对）；

警告：无法导入某些Keras层，因为深度学习工具箱不支持它们。它们已被占位符层替换。要查找这些层，请对返回的对象调用函数findPl万博1manbetxaceholderLayers。

Keras网络包含一些深度学习工具箱不支持的层万博1manbetx进口卡拉斯层函数显示警告，并用占位符图层替换不支持的图层。万博1manbetx

使用以下命令绘制图层图：情节.

图形绘图（lgraph）标题(“导入的网络”)

图中包含一个轴对象。标题为“导入网络”的轴对象包含一个graphplot类型的对象。

替换占位符图层

要替换占位符层，请首先标识要替换的层的名称。使用查找占位符层findPlaceholderLayers.

占位符层=findPlaceholderLayers（lgraph）

PLACEHOLDER layers=2x1 PLACEHOLDER LAYER数组，带图层：1“GaussianNoise”Keras图层的“GaussianNoise”Keras图层的“GaussianNoise”Keras图层的“GaussianNoise”Keras图层的“GaussianNoise”图层占位符

显示这些图层的Keras配置。

placeholder.KerasConfiguration

ans=带字段的结构：可培训：1名：“高斯噪声”标准差：1.5000

ans=带字段的结构：可培训：1名：“高斯噪声”标准差：0.7000

定义自定义高斯噪波层。要创建此图层，请保存文件高斯非线性然后，创建两个高斯噪声层，其配置与导入的Keras层相同。

gnLayer1=高斯各向异性层（1.5，“新的高斯噪声”)；gnLayer2=高斯各向异性层（0.7，“新的高斯噪声”);

使用自定义图层替换占位符图层替换层.

lgraph=替换层（lgraph，“高斯噪声1”，gn1）；lgraph=替换层（lgraph，“高斯噪声”，gn2）；

使用打印更新的图层图情节.

图形绘图（lgraph）标题(“已替换层的网络”)

图中包含一个轴对象。带有替换图层的标题网络的轴对象包含graphplot类型的对象。

指定类名

如果导入的分类图层不包含类，则必须在预测之前指定这些类。如果未指定类，则软件会自动将类设置为1.,2., ...,N哪里N是班级的数量。

通过查看层层图的属性。

层

ans=15x1带层的层阵列：1“输入1”图像输入28x28x1图像2“conv2d_1”卷积20 7x7x1带跨距的卷积[1]和填充“相同的”3“conv2d_1_relu”relu relu 4“conv2d_2”卷积20 3x3x1带跨距的卷积[1]和填充“相同的”5“conv2d_2_relu”relu relu 6“新的_高斯_噪声_1”高斯噪声标准偏差为1.5 7“新的_高斯_噪声_2”高斯噪声标准偏差为0.7 8“最大_池2d_1”最大池2x2最大池步幅[2]和填充“相同的”9“最大池2D_2”最大池2x2最大池带跨距[2 2]和填充“相同的”10“展平_1”Keras展平激活为1-D假设C样式（行主）顺序11“展平_2”Keras展平激活为1-D假设C样式（行主）顺序12“串联1”深度串联2个输入的深度串联13“密集1”完全连接10完全连接层14“激活1”Softmax Softmax 15“分类层激活1”分类输出交叉熵

分类层的名称为“分类层\激活\ 1”.查看分类层并检查班级所有物

cLayer=lgraph.Layers（结束）

cLayer=ClassificationOutputLayer，属性：Name:'ClassificationLayer\u activation\u 1'类：'auto'类权重：'none'输出大小：'auto'超参数丢失函数：'crossentropyex'

因为班级该层的属性为“自动”，必须手动指定类。请将类设置为0,1., ...,9，然后用新的分类图层替换导入的分类图层。

cLayer.Classes=string（0:9）

cLayer=ClassificationOutputLayer及其属性：名称：'ClassificationLayer\u activation\u 1'类：[0 1 2 3 4 5 6 7 8 9]类权重：'none'输出大小：10个超参数丢失函数：'crossentropyex'

lgraph=替换层（lgraph，“分类层\激活\ 1”，克莱尔）；

装配网络

使用装配网络。该函数返回一个达格网络准备用于预测的对象。

net=汇编网络（lgraph）

net=DAG网络，具有以下属性：层：[15x1 nnet.cnn.layer.layer]连接：[15x2表]输入名称：{'input_1'}输出名称：{'ClassificationLayer_activation_1'}

另见

深度学习工具箱文档

万博1manbetx

用MATLAB引入深度学习

下载电子书