PlaceholderLayer
层替换不受支持Keras或万博1manbetxONNX层，或不支持的功能万博1manbetx函数层图
描述
PlaceholderLayer是一层importKerasLayers和importONNXLayers插入到位不受支持Keras或ONNX™层的层阵列或层图形。万博1manbetx它也可以代表从不受支持的功能万博1manbetx函数层图．
创建
从具有不受深度学习工具箱支持层的Keras或ONNX网络导入层™创建万博1manbetxPlaceholderLayer对象。同样，当你创建一个层图使用函数层图，不支持万博1manbetx的功能将导致PlaceholderLayer对象。
特性
例子
查找和探索占位符图层
指定要从中导入图层的Keras网络文件。
modelfile ='digitsDAGnetwithnoise.h5'；
导入网络架构。该网络包括未通过深度学习工具箱支持的一些图层类型。万博1manbetx这importKerasLayers功能替换的占位符层中的每个层不受支持并返回警告消息万博1manbetx。
lgraph = importKerasLayers（modelfile）
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。
lgraph = LayerGraph与属性：层：[15X1 nnet.cnn.layer.Layer]连接：[15X2表] InputNames：{ 'INPUT_1'} OutputNames：{ 'ClassificationLayer_activation_1'}
显示网络的进口层。两个占位符层替换Keras网络中的高斯噪声的层。
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带跨距的卷积[1]和填充'same'3'conv2d_1_relu'relu 4'conv2d_2'卷积20 3x3带跨距的卷积[1]和填充“相同”5“conv2d_2_relu”relu relu 6“gaussian_noise_1”占位符图层占位符用于“gaussian noise”Keras图层7“gaussian_noise_2”占位符图层占位符用于“gaussian noise”Keras图层8“max_Pooling 2D_1”max Pooling 2x2 max Pooling with stride[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
查找使用占位符层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（lgraph）
占位符= 2×1 PlaceholderLayer阵列层：1 'gaussian_noise_1' PLACEHOLDER LAYER占位符 '高斯噪声' Keras层2 'gaussian_noise_2' PLACEHOLDER LAYER占位符 '高斯噪声' Keras层
为每个占位符图层指定名称。
gaussian1=占位符（1）；gaussian2=占位符（2）；
显示每个占位符层的配置。
gaussian1.KerasConfiguration
ans=带字段的结构：可训练：1名： '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
从预训练的Keras层组装网络
这个例子展示了如何从一个预训练的Keras网络导入层，用定制层替代不支持层，并且这些层组装成准备用于预测的网络。万博1manbetx
进口Keras网络
从Keras网络模型导入层。在网络'digitsDAGnetwithnoise.h5'分类的数字图像。
文件名='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功能显示警告和替换占位符层不支持的层。万博1manbetx
使用绘制层图形阴谋．
图形绘图（lgraph）标题(“进口网络”）
替换占位符图层
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（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=带字段的结构：可训练：1名： '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。要创建此层，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 = gaussianNoiseLayer（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replaceLayer．
lgraph = replaceLayer（lgraph，'gaussian_noise_1'，gnLayer1）;lgraph = replaceLayer（lgraph，'gaussian_noise_2', gnLayer2);
使用打印更新的图层图阴谋．
图形绘图（lgraph）标题(“网络替换为图层”）
指定类名
如果导入的分类层不包含类别，则必须在预测之前指定这些类别。如果未指定类别，则软件会自动将类别设置为1那2，...，N哪里N是的类的数量。
通过查看找到的分类层的折射率层数层图的属性。
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'
由于班级属性为'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 = replaceLayer（lgraph，“分类层\激活\ 1”，CLAYER）;
装配网络
使用assembleNetwork．函数返回DAGNetwork准备用于预测的对象。
净= assembleNetwork（lgraph）
net=DAG网络，具有以下属性：层：[15x1 nnet.cnn.layer.layer]连接：[15x2表]输入名称：{'input_1'}输出名称：{'ClassificationLayer_activation_1'}
你也可以从以下列表中选择一个网站:
