主要内容

findPlaceholderLayers

在从克拉斯或进口的网络架构中找到占位符图层ONNX

页面上倒塌

句法

PlaceHolderLayers = FindPlaceHolderlayers（进口层）
[placeholderLayers,指数]= findPlaceholderLayers (importedLayers)

描述

例子

placeholderLayers= findPlaceholderLayers (进口层）返回网络架构中存在的所有占位符图层进口层由importKerasLayers或importONNXLayers函数，或由函数层图函数。占位符层是这些函数插入的层，以代替深度学习工具箱™不支持的层。万博1manbetx

要与导入的网络一起使用，此功能需要TensorFlow™型号的深层学习工具箱转换器万博1manbetx支持包或ONNX的深度学习工具箱转换器™ 模型格式万博1manbetx支持包。

[placeholderLayers那指数) = findPlaceholderLayers (进口层）还返回占位符层的索引。

例子

全部崩溃

打开生活的脚本

指定要从中导入图层的Keras网络文件。

modelfile ='digitsdagnetwithnoise.h5';

导入网络架构。该网络包括深入学习工具箱不支持的一些图层类型。万博1manbetx这importKerasLayers函数用占位符层替换每个不受支持的图层，并返回警告消万博1manbetx息。

Lgraph = ImportKeraslayers（模数）
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。
LAPHR =具有属性的分层图：图层：[15x1 nnet.cnn.layer.layer]连接：[15x2表]输入名称：{'input_1'} OutputNames：{'classificationLayer_activation_1'}

显示网络的导入图层。两个占位符层替换Keras网络中的高斯噪声层。

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 7x7卷积带跨距[1]并填充'same'3'conv2d_1_relu'relu 4'conv2d_2'卷积20 3x3卷积带跨距[1]，并填充'same'5'conv2d_2_relu'relu 6'高斯噪声_1'占位符层占位符“GaussianNoise”Keras第7层“GaussianNoise”Keras第8层“max_pooling2d_1”max Pooling 2x2 max Pooling with stride[2 2]和填充“same”9“max_pooling2d_2”max Pooling 2x2 max Pooling with stride[2]和填充“same”10“flatten_1”Keras flatten激活为1-DC-style（行主键）顺序11“展平2”Keras将展平激活设置为1-D假设C-style（行主键）顺序12“串联1”深度串联深度串联2个输入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”分类输出交叉斜视

查找占位符层使用findPlaceholderLayers. 输出参数包含两个占位符层，这两个占位符层importKerasLayers插入代替Keras网络的高斯噪声层。

占位符= FindPlaceHolderLayers（Lapraph）
占位符= 2x1占位符号阵列与图层：1'Gaussiannoise_1'占位符分层占位符为“高斯登记”占卜1'Gaussian_Noise_2'占位符号为“高斯登诺”keras层

为每个占位符图层指定名称。

高斯1=占位符（1）；gaussian2=占位符（2）；

显示每个占位层的配置。

Gaussian1.KerasConfiguration.
ans=带字段的结构：培训：1名称：'Gaussian_Noise_1'STDDEV：1.5000
gaussian2。KerasConfiguration
ans=带字段的结构：可培训：1名：“高斯噪声”标准差：0.7000

此示例使用：

打开生活的脚本

此示例显示如何从佩带的Keras网络导入图层，将不受支持的图层替换为自定义图层，并将图层组装到准备预测的网络中。万博1manbetx

进口Keras网络

从KERAS网络模型导入图层。网络in.'digitsdagnetwithnoise.h5'分类数字图像。

filename =.'digitsdagnetwithnoise.h5';lgraph = importKerasLayers(文件名,“重要性”，真的）;
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这importKerasLayers函数显示警告并用占位符图层替换不支持的图层。万博1manbetx

使用图层图阴谋．

图形绘图（lgraph）标题(“进口网络”）

图包含轴。带有标题导入网络的轴包含Type GraphPlot的对象。

更换占位符层

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

PlaceHolderLayers = FindPlaceHolderLayers（Lapraph）
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。

placeholderlayers.kerasconfiguration.
ans=带字段的结构：培训：1名称：'Gaussian_Noise_1'STDDEV：1.5000
ans=带字段的结构：可培训：1名：“高斯噪声”标准差：0.7000

定义自定义高斯噪声层。要创建此图层，请保存文件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 =高斯登机会（1.5，'new_gaussian_noise_1'）;gnLayer2 = gaussianNoiseLayer (0.7,'new_gaussian_noise_2'）;

使用自定义图层替换占位符图层替换剂．

Lgraph =替换剂（LGROPE，'gaussian_noise_1'，gnlayer1）;Lgraph =替换剂（LGROPE，'gaussian_noise_2', gnLayer2);

使用打印更新的图层图阴谋．

图形绘图（lgraph）标题(“具有替换层的网络”）

图包含轴。带有替换层的标题网络的轴包含了Type Graphplot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那2，......，N.哪里N.是课程的数量。

通过查看来找分类层的索引层数层图的属性。

层
ans = 15x1图层数组:1“input_1”图像输入28 x28x1图片2的conv2d_1卷积20 7 x7x1旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4 conv2d_2的卷积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 7new_gaussian_noise_2高斯噪声的高斯噪声标准差为0.7 8“max_pooling2d_1”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”9“max_pooling2d_2”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”10 ' flatten_1 Keras平压平激活成一维假设c风格的(行)11' Flatten ' Flatten激活到1-D假设C-style(行-主要)顺序12 'concatenate_1' Depth concatenate_1' Depth concatenate_1' Fully Connected 10 Fully Connected layer 14 'activation_1' Softmax Softmax 15 'ClassificationLayer_activation_1' Classification Output crossentropyex

分类层具有名称“分类层\激活\ 1”．查看分类层并检查班级财产。

cLayer=lgraph.Layers（结束）
cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'

因为这班级属性为'汽车'，则必须手动指定类。将类设置为0.那1，......，9.，然后用新的分类图层替换导入的分类图层。

粘土。类=字符串(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 =替换剂（LGROPE，“分类层\激活\ 1”，粘土）;

组装网络

使用层图assembleNetwork．函数返回Dagnetwork.准备用于预测的对象。

net = assemblenetwork（lgraph）
net =具有属性的dagnetwork：图层：[15x1 nnet.cnn.layer.layer]连接：[15x2表]输入名称：{'input_1'} OutputNames：{'classificationLayer_activation_1'}

输入参数

全部崩溃

从克拉斯或ONNX导入或创建的网络架构函数层图，指定为a层数组或分层图对象。

输出参数

全部崩溃

网络体系结构中的所有占位符层，作为PlaceholderLayer对象。

占位符层的指数，作为向量返回。

  • 如果进口层是一个图层数组吗指数是占位符层的指数进口层．

  • 如果进口层是A.分层图对象,然后指数是占位符层的指数导入图层。图层．

如果删除从层或添加图层的图层层数组或分层图对象，则对象中其他层的索引可以更改。你必须使用findPlaceholderLayers再次查找其余占位符层的更新索引。

提示

  • 如果您已安装张量流模型的深度学习工具箱转换器和findPlaceholderLayers无法找到导入ONNX网络时创建的占位符层，请尝试更新张量流模型的深度学习工具箱转换器万博1manbetx加载项资源管理器中的支持包。

也可以看看

|||||

话题

在R2017B中介绍

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