ONNXParameters
导入参数ONNX深度学习网络
描述
ONNXParameters包含导入的ONNX™(开放神经网络交换)网络的参数(如权重和偏置)。使用ONNXParameters执行迁移学习等任务。
创建
创建一个ONNXParameters对象，使用importONNXFunction．
属性
对象的功能
addParameter |
添加参数ONNXParameters对象 |
freezeParameters |
转换可学习的网络参数ONNXParameters对nonlearnable |
removeParameter |
删除参数ONNXParameters对象 |
unfreezeParameters |
转换不可学习的网络参数ONNXParameters对可学的 |
例子
使用自定义训练循环训练导入ONNX函数
导入squeezenet卷积神经网络作为一个函数，并通过迁移学习对预训练的网络进行微调，对新的图像集合进行分类。
这个例子使用了几个helper函数。要查看这些函数的代码，请参见辅助函数．
解压缩并将新映像加载为映像数据存储。imageDatastore根据文件夹名称自动标记图像，并将数据存储为ImageDatastore对象。图像数据存储使您能够存储大量图像数据，包括不适合内存的数据，并在卷积神经网络训练期间有效地读取批量图像。指定小批大小。
解压缩(“MerchData.zip”）;miniBatchSize = 8;imds = imageDatastore(“MerchData”，…“IncludeSubfolders”,真的,…“LabelSource”，“foldernames”，…“ReadSize”, miniBatchSize);
这个数据集很小，包含75张训练图像。显示一些示例图像。
numImages = nummel (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，对分类标签进行单热编码。
XTrain = readall(imds);XTrain = single(cat(4,XTrain{:}));YTrain_categ = categorical(imds.Labels);YTrain = onehotencode(YTrain_categ,2)';
确定数据中的类数量。
classes = categories(YTrain_categ);numClasses = numel(类)
numClasses = 5
squeezenet是一个卷积神经网络，它是在ImageNet数据库中的100多万张图像上进行训练的。因此，该网络已经学习了广泛图像的丰富特征表示。该网络可以将图像分为1000个对象类别，例如键盘、鼠标、铅笔和许多动物。
导入预训练的squeezenet网络是一种功能。
挤压onnx () params = importONNXFunction()“squeezenet.onnx”，“squeezenetFcn”）
已将包含导入ONNX网络的函数保存到“squeezenetFcn.m”文件中。要了解如何使用此函数，请键入:help squeezenetFcn。
params = ONNXParameters with properties: Learnables: [1×1 struct] Nonlearnables: [1×1 struct] State: [1×1 struct] NumDimensions: [1×1 struct] NetworkFunctionName: 'squeezenetFcn'
参数个数是一个ONNXParameters对象，该对象包含网络参数。squeezenetFcn是包含网络体系结构的模型函数。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准确率。
accuracyBeforeTraining = getNetworkAccuracy(XTrain,YTrain,params);流(' %。迁移学习前2f精度\n', accuracyBeforeTraining);
迁移学习前0.01精度
精度很低。
通过输入显示网络的可学习参数参数个数。可学的．这些参数，例如权重(W)和偏差(B)的卷积和全连接层，在训练过程中由网络更新。不可学习参数在训练过程中保持不变。
为1000个类配置预训练网络的最后两个可学习参数。
conv10_W: [1×1×512×1000 dlarray]
conv10_B: [1000×1 dlarray]
的参数conv10_W和conv10_B必须对新的分类问题进行微调。通过初始化参数，将参数转换为五个类。
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。因为你不需要计算冻结层的梯度，冻结许多初始层的权重可以显著加快网络训练。
params = freezeParameters(参数，“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(“conv10_W”）;params = unfreezeParameters(“conv10_B”）;
现在网络已经准备好进行训练了。初始化培训进度图。
情节=“训练进步”；如果情节= =“训练进步”图lineLossTrain = animatedline;包含(“迭代”) ylabel (“损失”）结束
指定培训选项。
速度= [];numEpochs = 5;miniBatchSize = 16;numObservations = size(YTrain,2);numIterationsPerEpoch = floor(numObservations./miniBatchSize);initialLearnRate = 0.01;动量= 0.9;衰减= 0.01;
培训网络。
迭代= 0;开始= tic;executionEnvironment =“cpu”；%更改为“gpu”，在gpu上训练。%遍历epoch。为epoch = 1:numEpochs% Shuffle数据。idx = randperm(numObservations);XTrain = XTrain(:，:，:，idx);YTrain = YTrain(:，idx);在小批上循环。为i = 1:numIterationsPerEpoch迭代=迭代+ 1;读取小批数据。idx = (i-1)*miniBatchSize+1:i*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% modelGradients函数。[gradients,loss,state] = dlfeval(@modelGradients,X,Y,params);参数个数。状态= state;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。Learnables,velocity] = sgdmupdate(params.Learnables,gradients,velocity);%显示培训进度。如果情节= =“训练进步”D = duration(0,0,toc(start)，“格式”，“hh: mm: ss”）;addpoints (lineLossTrain、迭代、双(收集(extractdata(损失))))标题(”时代:“+ epoch +，消失:"+字符串(D))现在绘制结束结束结束
计算网络经过微调后的分类精度。
accuracyAfterTraining = getNetworkAccuracy(XTrain,YTrain,params);流(' %。迁移学习后的2f精度\n', accuracyAfterTraining);
迁移学习后的准确率为1.00
辅助函数
本节提供本例中使用的helper函数的代码。
的getNetworkAccuracy函数通过计算分类精度来评估网络性能。
函数(X,Y,onnxParams) N = size(X,4);Ypred = squeezenetFcn(X,onnxParams，“培训”、假);[~，YIdx] = max(Y，[]，1);[~，YpredIdx] = max(Ypred，[]，1);numIncorrect = sum(abs(YIdx-YpredIdx) > 0);1 - numIncorrect/N;结束
的modelGradients函数计算损失和梯度。
函数[grad, loss, state] = modelGradients(X,Y,onnxParams) [Y, state] = squeezenetFcn(X,onnxParams，“培训”,真正的);损失=交叉熵(y, y，“DataFormat”，“CB”）;grad = dlgradient(loss,onnxParams.Learnables);结束
的squeezenetONNX函数的ONNX模型squeezenet网络。
函数squeezenetONNX () exportONNXNetwork (squeezenet,“squeezenet.onnx”）;结束
ONNX函数导入器错误标记移动参数
将ONNX格式保存的网络作为函数导入，使用移动错误标记的参数冻结或解冻．
导入预训练的simplenet.onnx网络是一种功能。simplenet是一个以数字图像数据为训练对象的简单卷积神经网络。有关如何创建的更多信息simplenet,请参阅创建简单的图像分类网络．
进口simplenet.onnx使用importONNXFunction，该函数返回ONNXParameters对象，该对象包含网络参数。该函数还在包含网络架构的当前文件夹中创建一个新的模型函数。指定模型函数的名称为simplenetFcn．
参数= importONNXFunction(“simplenet.onnx”，“simplenetFcn”）;
已将包含导入ONNX网络的函数保存到“simplenetFcn.m”文件中。要了解如何使用此函数，请键入:help simplenetFcn。
importONNXFunction将导入的网络参数标记为可学的(在训练期间更新的参数)或Nonlearnables(训练期间保持不变的参数)。标签并不总是准确的。建议的做法是检查参数是否分配给正确的结构参数个数。可学的或参数个数。Nonlearnables．显示导入网络的可学习参数和不可学习参数。
参数个数。可学的
ans =带字段的结构:imageinput_Mean: [1×1 darray] conv_W: [5×5×1×20 dlarray] conv_B: [20×1 dlarray] batchnorm_scale: [20×1 dlarray] batchnorm_B: [20×1 dlarray] fc_W: [24×24×20×10 dlarray] fc_B: [10×1 dlarray]
参数个数。Nonlearnables
ans =带字段的结构:ConvStride1004: [2×1 darray] ConvDilationFactor1005: [2×1 dlarray] ConvPadding1006: [4×1 dlarray] ConvStride1007: [2×1 dlarray] ConvDilationFactor1008: [2×1 dlarray] ConvPadding1009: [4×1 dlarray]
请注意,参数个数。可学的包含参数imageinput_Mean，在训练期间应保持不变(请参阅的意思是的属性imageInputLayer）.转换imageinput_Mean到一个不可学习的参数。的freezeParameters函数删除参数。imageinput_Mean从参数。可学的并将其添加到参数个数。Nonlearnables按顺序。
params = freezeParameters(参数，“imageinput_Mean”）;
显示更新后的可学习参数和不可学习参数。
参数个数。可学的
ans =带字段的结构:conv_W: [5×5×1×20 dlarray] conv_B: [20×1 dlarray] batchnorm_scale: [20×1 dlarray] batchnorm_B: [20×1 dlarray] fc_W: [24×24×20×10 dlarray] fc_B: [10×1 dlarray]
参数个数。Nonlearnables
ans =带字段的结构:ConvStride1004: [2×1 dlarray] ConvDilationFactor1005: [2×1 dlarray] ConvPadding1006: [4×1 dlarray] ConvStride1007: [2×1 dlarray] ConvDilationFactor1008: [2×1 dlarray] ConvPadding1009: [4×1 dlarray] imageinput_Mean: [1×1 dlarray]
提示
属性指定新值时，应用以下规则
参数个数。可学的参数:软件自动将新值转换为a
dlarray．的现有值必须与新值兼容
参数个数。NumDimensions．
importONNXFunction派生结构的字段名可学的，Nonlearnables,状态从导入的ONNX模型文件中的名称。导入的网络之间的字段名可能不同。
您也可以从以下列表中选择一个网站:
