importONNXFunction
导入预训练的ONNX网络作为函数
描述
参数个数= importONNXFunction (modelfile，NetworkFunctionName）modelfile并返回一个ONNXParameters对象(参数个数)，包含网络参数。该函数还创建一个模型函数，其名称为NetworkFunctionName包含网络架构。有关网络功能的详细信息，请参阅导入ONNX模型函数．
使用ONNXParameters对象和NetworkFunctionName模型函数执行常见的深度学习任务，如图像和序列数据分类、迁移学习、目标检测和图像分割。importONNXFunction在无法使用importONNXNetwork函数(例如,importONNXFunction可以导入YOLOv3)，或者如果您想定义自己的自定义训练循环(更多细节，参见使用自定义训练循环训练网络）.
此函数需要ONNX模型格式的深度学习工具箱™转换器万博1manbetx支持包。如果没有安装此支万博1manbetx持包，则该函数将提供下载链接。
例子
将不支持的操作符作为函数导入ONNX网络万博1manbetx
导入ONNX网络作为函数。该网络包含深度学习工具箱层不支持的ONNX操作符。万博1manbetx您可以将导入的模型函数用于深度学习任务，如预测和迁移学习。
下载并安装ONNX模型格式支持包的深度学习工具箱转换器。万博1manbetx您可以输入importONNXFunction在命令行中检查支持包是否已安装。万博1manbetx如果没有安装，则该函数将提供到Add-On Explorer中所需的支持包的链接。万博1manbetx要安装支持包，请单击链接，然后万博1manbetx单击安装．
指定要导入的文件为shufflenet使用ONNX模型动物园中的操作符设置9。shufflenet是一个卷积神经网络，它根据来自ImageNet数据库的图像进行训练。
modelfile =.“shufflenet - 9. onnx”；
推荐的做法是尝试通过使用importONNXNetwork．如果importONNXNetwork无法导入网络，因为不支持某些网络图层，您可以通过使用将网络作为图层导入万博1manbetximportONNXLayers，或作为一个函数使用importONNXFunction．
导入shufflenet网络层。该软件生成占位符层来代替不支持的层。万博1manbetx
lgraph = importONNXLayers (modelfile,“OutputLayerType”，“分类”);
警告:无法导入一些ONNX操作符，因为它们不受支持。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。4个操作符:ONNX文件中的平均池层不包括填充。这可能会导致ONNX和MATLAB网络输出之间的小数值差异。32个操作符:只有在执行扁平化操作时才支持整形操作符。万博1manbetx16个操作符:不支持操作符'Transpose'。万博1manbetx要将ONNX网络作为一个函数导入，它可以支持大多数ONNX操作符，调用importONNXFunctio万博1manbetxn。
查找占位符层并显示占位符层的数量。
indPlaceholderLayers = findPlaceholderLayers (lgraph);元素个数(indPlaceholderLayers)
ans = 48
必须替换要使用的48个占位符层lgraph用于深度学习任务，比如预测。
相反，将网络作为函数导入，以生成一个可以用于深度学习任务的模型函数。
params = importONNXFunction (modelfile,“shufflenetFcn”）
一个包含导入的ONNX网络的函数'shufflenetFcn'已经保存到当前目录。要学习如何使用这个函数，输入:help shufflenetFcn
params = ONNXParameters with properties: Learnables: [1×1 struct] Nonlearnables: [1×1 struct] State: [1×1 struct] NumDimensions: [1×1 struct] NetworkFunctionName: 'shufflenetFcn'
importONNXFunction返回ONNXParameters对象参数个数，其中包含网络参数和模型函数shufflnetFcn，其中包含网络架构。importONNXFunction节省了shufflenetFcn在当前文件夹中。使用命令可以打开模型函数查看或编辑网络架构打开shufflenetFcn．
使用导入的ONNX函数进行预测
导入一个ONNX网络作为函数，使用预先训练好的网络来预测输入图像的类标签。
指定要导入的文件为shufflenet使用ONNX模型动物园中的操作符设置9。shufflenet是一个卷积神经网络，训练了来自ImageNet数据库的100多万张图像。因此，该网络学习了丰富的特征表示范围广泛的图像。该网络可以将图像分为1000个对象类别，如键盘、鼠标、铅笔和许多动物。
modelfile =.“shufflenet - 9. onnx”；
使用。导入预训练的ONNX网络作为函数importONNXFunction，它返回ONNXParameters对象参数个数．该节点包含网络参数。该函数还在包含网络架构的当前文件夹中创建了一个新的模型函数。指定模型函数的名称为shufflenetFcn．
params = importONNXFunction (modelfile,“shufflenetFcn”);
已将包含导入的ONNX网络的函数保存到shuffle .m文件中。要学习如何使用这个函数，输入:help shufflenetFcn。
阅读你想分类的图像，并显示图像的大小。图像是792 × 1056像素，有三个颜色通道(RGB)。
我= imread (“peacock.jpg”);尺寸（i）
ans =1×3792 1056 3
将图像的大小调整为网络的输入大小。显示图像。
I = imresize(I，[224 224]);imshow(我)
的输入shufflenet需要进一步的预处理(更多细节，请参阅Shuffleenet在Onnx模型动物园）.重新调节图像。对图像进行归一化，方法是减去训练图像的均值并除以训练图像的标准差。
I =重新调节(0,1);meanIm = [0.485 0.456 0.406];stdIm = [0.229 0.224 0.225];I = (I -重塑(meanIm，[1 1 3]))。/重塑(stdIm [1 1 3]);imshow(我)
从其中导入类名squeezenet，它也使用来自ImageNet数据库的图像进行训练。
网= squeezenet;一会= net.Layers .ClassNames(结束);
通过指定要分类的图像来计算类概率我和ONNXParameters对象参数个数作为模型函数的输入参数shufflenetFcn．
成绩= shufflenetFcn(我params);
找到概率最高的类索引。显示输入图像的预测类和相应的分类得分。
indMax =找到(分数= = max(分数));类名(indMax)
ans =1×1个单元阵列{“孔雀”}
scoreMax =分数(indMax)
scoreMax = 0.7517
使用自定义训练循环导入ONNX函数
导入squeezenet将卷积神经网络作为函数，用迁移学习对预先训练好的网络进行微调，对新的图像集合进行分类。
这个例子使用了几个辅助函数。要查看这些函数的代码，请参见辅助函数．
将新图像解压并作为图像数据存储加载。imageDatastore自动标签的图像基于文件夹名称和存储数据作为ImageDatastore对象。图像数据存储使您能够存储大的图像数据，包括内存中不适合的数据，并在卷积神经网络训练期间有效地读取批量图像。指定小批量大小。
解压缩(“MerchData.zip”);miniBatchSize = 8;imd = imageDatastore (“MerchData”，．..“IncludeSubfolders”,真的,．..“LabelSource”，“foldernames”，．..“ReadSize”, miniBatchSize);
这个数据集很小，只包含75张训练图像。显示一些示例图像。
numImages =元素个数(imds.Labels);idx = randperm (numImages 16);数字为i = 1:16 subplot(4,4,i) i = readimage(imds,idx(i));imshow(我)结束
提取训练集，对分类标签进行一次性编码。
XTrain = readall (imd);XTrain =单(cat (4, XTrain {:}));YTrain_categ =分类(imds.Labels);YTrain = onehotencode (YTrain_categ, 2) ';
确定数据中类的数量。
类=类别(YTrain_categ);numClasses =元素个数(类)
numClasses = 5
squeezenet是一个卷积神经网络，训练了来自ImageNet数据库的100多万张图像。因此，该网络学习了丰富的特征表示范围广泛的图像。该网络可以将图像分为1000个对象类别，如键盘、鼠标、铅笔和许多动物。
导入pretrainedsqueezenet网络是一种功能。
println () params = importONNXFunction(“squeezenet.onnx”，“squeezenetFcn”）
已将包含导入的ONNX网络的函数保存到文件squeezenetFcn.m中。要学习如何使用这个功能，输入:help squeezenetFcn。
Nonlearnables: [1×1 struct] State: [1×1 struct] NumDimensions: [1×1 struct] NetworkFunctionName: 'squeezenetFcn'
参数个数是一个ONNXParameters包含网络参数的对象。squeezenetFcn是一个包含网络架构的模型功能。importONNXFunction节省了squeezenetFcn在当前文件夹中。
计算新训练集上预训练网络的分类精度。
accuracyBeforeTraining = getNetworkAccuracy (XTrain、YTrain params);流(' %。2f accuracy before transfer learning\n', accuracyBeforeTraining);
转移学习前0.01精度
精度很低。
通过输入显示可学习的网络参数Params.Learnables.．这些参数，例如权重(W)及偏见(B)的卷积层和全连接层，在训练时由网络更新。在训练过程中，不可学习的参数保持不变。
预磨损网络的最后两个可读参数配置为1000类。
conv10_W:(1×1×512×1000 dlarray]
conv10_B(1000×1 dlarray):
的参数conv10_W和conv10_B必须针对新的分类问题进行微调。通过初始化参数，将参数转换为5个类。
params.Learnables。conv10_W= rand(1,1,512,5); params.Learnables.conv10_B = rand(5,1);
冻结网络的所有参数，将它们转换为不可学习的参数。因为不需要计算冻结层的梯度，所以冻结许多初始层的权值可以显著加快网络训练。
params = freezeParameters (params,“所有”);
解冻网络的最后两个参数，将它们转换为可学习的参数。
params = unfreezeParameters (params,“conv10_W”);params = unfreezeParameters (params,“conv10_B”);
现在网络已经为培训做好了准备。初始化培训进度图。
情节=“训练进步”；如果情节= =“训练进步”figure lineLossTrain = animatedline;包含(“迭代”) ylabel (“损失”）结束
指定培训选项。
速度= [];numEpochs = 5;miniBatchSize = 16;numObservations =大小(YTrain, 2);numIterationsPerEpoch =地板(numObservations. / miniBatchSize);initialLearnRate = 0.01;动量= 0.9;衰变= 0.01;
培训网络。
迭代= 0;开始=抽搐;executionEnvironment =“cpu”；%将“gpu”改为在gpu上训练。%循环纪元。为时代= 1:numEpochs%洗牌数据。idx = randperm (numObservations);XTrain = XTrain (:,:,:, idx);YTrain = YTrain (:, idx);%循环小批。为i = 1:numIterationsPerEpoch iteration = iteration + 1;%读取小批数据。idx =(张)* miniBatchSize + 1:我* miniBatchSize;X = XTrain (:,:,:, idx);Y = YTrain (:, idx);%如果在GPU上训练，则将数据转换为gpuArray。如果(executionEnvironment = =“汽车”&& canUseGPU) || executionEnvironment ==“图形”X = gpuArray (X);结束使用dlfeval和％MACEMEGRADENTERS功能。(渐变、损失、状态)= dlfeval (@modelGradients, X, Y, params);参数个数。=状态;%确定基于时间的衰减学习率计划的学习率。learnRate = initialLearnRate/(1 +衰减*迭代);%使用SGDM优化器更新网络参数。(参数。可学的,速度]= sgdmupdate (params.Learnables、渐变速度);%显示训练进度。如果情节= =“训练进步”D =持续时间(0,0,toc(开始),“格式”，“hh: mm: ss”);addpoints (lineLossTrain、迭代、双(收集(extractdata(损失))))标题(”时代:“+时代+”,过去:“+ drawnow字符串(D))结束结束结束
计算网络经过微调后的分类精度。
accuracyAfterTraining = getNetworkAccuracy (XTrain、YTrain params);流(' %。2f accuracy after transfer learning\n', accuracyAfterTraining);
迁移学习后的准确性
辅助函数
本节提供本示例中使用的helper函数的代码。
的getNetworkAccuracy函数通过计算分类精度来评价网络性能。
函数= getNetworkAccuracy(X,Y,onnxParams) N = size(X,4);onnxParams Ypred = squeezenetFcn (X,“培训”、假);[~, YIdx] = max (Y, [], 1);[~, YpredIdx] = max (Ypred [], 1);numIncorrect = sum(abs(YIdx-YpredIdx) > 0); / /输出精度= 1 - numIncorrect/N;结束
的大型摩托地函数计算损失和梯度。
函数[grad, loss, state] = modelGradients(X,Y,onnxParams)“培训”,真正的);损失= crossentropy (y y“DataFormat”，“CB”);研究生= dlgradient(损失、onnxParams.Learnables);结束
的squeezenetONNX的ONNX模型squeezenet网络。
函数squeezenetonnx（）excoodonnxnetwork（screezenet，“squeezenet.onnx”);结束
使用导入的ONNX函数进行序列分类
导入ONNX长短期记忆(LSTM)网络作为函数，使用预先训练好的网络对序列数据进行分类。LSTM网络允许您将序列数据输入到网络中，并根据序列数据的单个时间步长进行预测。
这个例子使用了helper函数preparePermutationVector．要查看此函数的代码，请参见Helper函数．
lstmNet具有与创建的LSTM网络相似的架构基于深度学习的序列分类．lstmNet训练，以识别给定的时间序列数据，代表连续两个日本元音。培训数据包含九个扬声器的时间序列数据。每个序列具有12个特征，长度变化。
指定lstmNet作为模型文件。
modelfile =.“lstmNet.onnx”；
使用。导入预训练的ONNX网络作为函数importONNXFunction，它返回ONNXParameters对象参数个数包含网络参数。该函数还在包含网络架构的当前文件夹中创建了一个新的模型函数。指定模型函数的名称为lstmnetFcn．
params = importONNXFunction (modelfile,“lstmnetFcn”);
已将包含导入的ONNX网络的函数保存到文件lstmnetFcn.m。要学习如何使用这个函数，输入:help lstmnetFcn。
加载日语元音测试数据。XTest是一个单元格数组，包含370个长度为12的序列。欧美为标签“1”，“2”，…“9”，对应9个发言者。
[xtest，ytest] = Japanesevowelstestdata;
lstmNet使用序列长度相似的小批量进行训练。要以同样的方式组织测试数据，请按序列长度对测试数据进行排序。
numobservationstest = numel（xtest）;为i=1:numObservationsTest序列= XTest{i};sequenceLengthsTest (i) =(序列,2)大小;结束[sequenceLengthsTest, idx] = (sequenceLengthsTest)进行排序;XTest = XTest (idx);欧美=欧美(idx);
使用preparePermutationVector来计算排列向量inputPerm，将输入序列数据的维度排序置于导入的LSTM网络输入的维度排序。你可以键入帮助lstmnetFcn查看网络输入的维度顺序sequentInput.．
inputPerm = preparePermutationVector ([“FeaturesLength”，“SequenceLength”，“BatchSize”]，．..［“SequenceLength”，“BatchSize”，“FeaturesLength”]）;
通过指定要分类的序列数据来计算类的概率XTest和ONNXParameters对象参数个数作为模型函数的输入参数lstmnetFcn．通过赋值数字向量自定义输入维度顺序inputPerm到name-value参数“InputDataPermutation”．返回分数在维数排序中通过网络输出的分配“没有”到name-value参数“OutputDataPermutation”．
为i = 1:length(XTest) scores = lstmnetFcn(XTest{i}，params，“InputDataPermutation”inputPerm,“OutputDataPermutation”，“没有”);YPred (i) =找到(分数= = max(分数));结束YPred =分类(YPred ');
计算预测的分类精度。
acc = sum(YPred == YTest)./numel(YTest)
acc = 0.9514
Helper函数
本节提供了辅助功能的代码preparePermutationVector在这个例子中使用。
的preparePermutationVector函数返回一个排列向量烫，它对维度进行排序fromDimOrder到维度排序toDimOrder．您可以指定输入参数fromDimOrder和toDimOrder例如字符向量、字符串标量、字符串数组、字符向量的单元格数组或数字向量。两个参数必须具有相同的类型和相同的唯一元素。例如,如果fromDimOrder为字符向量“hwcn”，toDimOrder可以是字符向量吗“nchw”(h，w,c分别对应图像的高度、宽度和通道数量，和n为观测次数)。
函数perm = preparePermutationVector(fromDimOrder, toDimOrder)%检查fromDimOrder和toDimOrder是否都是向量。如果~isvector(fromDimOrder) || ~isvector(toDimOrder) error(message()“nnet_cnn_onnx: onnx: FPVtypes”））;结束%从dimorder和toDimOrder转换为适当的类型。如果isscalar(fromDimOrder) fromDimOrder = char(fromDimOrder);结束如果isstring(toDimOrder) && isscalar(toDimOrder) toDimOrder = char(toDimOrder);结束%检查fromDimOrder和toDimOrder是否有唯一的元素。[fromSorted, ifrom] = unique(fromDimOrder);[toDimOrder， ~， iToInv] =唯一的(toDimOrder);如果numel(fromDimOrder) ~= numel(fromDimOrder) error(message())“nnet_cnn_onnx: onnx: FPVfromunique”））;结束如果numel(toDimOrder) ~= numel(toDimOrder) error(message())“nnet_cnn_onnx: onnx: FPVtounique”））;结束%检查fromDimOrder和toDimOrder是否有相同数量的元素。如果~ isequal (fromSorted toSorted)错误消息(“nnet_cnn_onnx: onnx: FPVsame”））;结束计算排列向量。ifrom烫= (iToInv);烫=烫发(:)”;结束
输入参数
输出参数
限制
importONNXFunction万博1manbetx支持这些ONNX版本:ONNX中间表示版本6
ONNX操作符将7设置为13
更多关于
提示
选择功能
importONNXFunction当您无法使用预先导入预折叠的ONNX网络时很有用importONNXNetwork．如果您想为预先训练的网络生成代码，请使用importONNXLayers．使用。查找并替换生成的占位符层findPlaceholderLayers和replaceLayer,分别。然后,用汇编返回一个DAGNetwork对象。你可以为训练有素的人生成代码DAGNetwork．有关最适合不同场景的导入函数的更多信息，请参见选择“功能导入ONNX预训练网络”．
另请参阅
你也可以从以下列表中选择一个网站:
