从预先训练的Keras层组装网络

这个示例使用:

打开实时脚本

这个例子展示了如何从预先训练的Keras网络导入层，用自定义层替换不支持的层，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进口卡拉斯层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

使用情节。

图绘制(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axis对象包含一个graphplot类型的对象。

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。

placeholderLayers = 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

显示这些层的Keras配置。

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

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然后，创建两个高斯噪声层，其配置与导入的Keras层相同。

gnLayer1 = gaussianNoiseLayer (1.5,“new_gaussian_noise_1”)；gnLayer2=高斯各向异性层（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”，gn2）；

使用绘制更新的层图情节。

图绘制(lgraph)标题(“替换图层的网络”）

图中包含一个轴对象。标题为“替换层网络”的axis对象包含一个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,在那里N为类数。

的索引，查找分类层的索引层层图的性质。

lgraph。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

分类层有名称“ClassificationLayer_activation_1”.查看分类层并检查类财产。

粘土= 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'

因为类该层的属性为“汽车”，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）

class: [0 1 2 3 4 5 6 7 8 9] ClassWeights: 'none' OutputSize: 10 Hyperparameters LossFunction: 'crossentropyex'

lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);

组装网络

使用装配网络。该函数返回一个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'}

另请参阅

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