这个例子展示了如何从一个预先训练好的Keras网络中导入这些层,用定制层替换不支持的层,并将这些层组装到一个网络中,以便进行预测。万博1manbetx
从Keras网络模型导入层。网络在“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:无法导入某些Keras层,因为深度学习工具箱还不支持它们。万博1manbetx它们已经被占位符层所取代。要找到这些层,在返回的对象上调用函数findPlaceholderLayers。
该Keras网络包含未通过深度学习工具箱支持的一些层。万博1manbetx该importKerasLayers
函数将显示警告并将不支持的层替换为占位符层。万博1manbetx
使用。绘制层图情节
.
图绘制(lgraph)标题(“进口网络”)
要替换占位符层,首先确定要替换的层的名称。使用以下命令查找占位符层findPlaceholderLayers
.
placeholderLayers = findPlaceholderLayers (lgraph)
1' gaussian_noise ' Keras层占位符层2' gaussian_noise ' Keras层占位符层2' gaussian_noise ' Keras层占位符层
显示这些层的Keras配置。
placeholderLayers.KerasConfiguration
ans =结构体字段:可训练的:1名:“gaussian_noise 1”stddev: 1.5000
ans =结构体字段:可训练:1名:“gaussian_noise 2”stddev: 0.7000
定义一个自定义高斯噪声层。要创建此层,请保存文件gaussianNoiseLayer.m
在当前文件夹。然后,创建具有相同的结构导入的Keras层的两个高斯噪声层。
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);
使用。绘制更新的层图情节
.
图绘制(lgraph)标题(“替换图层的网络”)
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。如果不指定类,则软件将自动将类设置为1
,2
、……N
,在那里N
是类的数量。
属性查找分类层的索引层
层图的属性。
lgraph.Layers
ANS = 15X1层阵列层:1 'INPUT_1' 图像输入28x28x1图像2 'conv2d_1' 卷积20个7x7x1卷积步幅[1 1]和填充 '相同' 3 'conv2d_1_relu' RELU RELU 4 'conv2d_2' 卷积20个3x3x1卷积用步幅[1 1]和填充“相同的” 5“conv2d_2_relu” RELU RELU 6“new_gaussian_noise_1”高斯噪声高斯噪声标准偏差1.5 7“new_gaussian_noise_2”高斯噪声高斯噪声标准偏差0.7 8“max_pooling2d_1”最大池2x2的最大池与步幅[2 2]和填补“相同” 9“max_pooling2d_2”最大池2x2的最大蓄留与步幅[2 2]和填补“相同” 10“flatten_1” Keras平铺展平激活成1- d假设C-式(行主)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,然后检查类
财产。
粘土= lgraph.Layers(结束)
CLAYER = ClassificationOutputLayer与属性:名称: 'ClassificationLayer_activation_1' 类: '自动' OutputSize: '自动' 超参数LossFunction: 'crossentropyex'
因为类
该层的属性是“汽车”
,您必须手动指定的类。设置类0
,1
、……9
,然后将导入的分类层替换为新的分类层。
cLayer.Classes =串(0:9)
类:[0 1 2 3 4 5 6 7 8 9]OutputSize: 10个超参数丢失函数:'crossentropyex'
lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);
使用以下命令组装层图assembleNetwork
.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:[15×1 nnet.cn .layer. layer] Connections:[15×2 table] InputNames: {'input_1'}输出名:{'ClassificationLayer_activation_1'}
DAGNetwork
|assembleNetwork
|findPlaceholderLayers
|importKerasLayers
|importKerasNetwork
|layerGraph
|replaceLayer
|trainNetwork