importONNXLayers
ONNXネットワクからの層のンポト
説明
lgraph= importONNXLayers (modelfile）modelfileから事前学習済みのONNX™(打开)神经网络交换ネットワークの層と重みをインポートします。この関数は，DAGNetworkオブジェクトまたはdlnetworkオブジェクトと互換性のあるLayerGraphオブジェクトとしてlgraphを返します。
importONNXLayersには，ONNX模型格式的深度学习工具箱™转换器サポ，トパッケ，ジが必要です。このサポトパッケジがンストルされていない場合，importONNXLayersによってダウンロ，ド用リンクが表示されます。
メモ
既定では，ソフトウェアがonnx演算子をそれと等価な組み込みのmatlab®層に変換できないときに，importONNXLayersがカスタム層の生成を試みます。ソフトウェアによる変換がサポトされている演算子の一覧にいては，組み込みのmatlab層への変換がサポ，トされているonnx演算子を参照してください。
importONNXLayersは，生成されたカスタム層をパッケ，ジ+に保存します。modelfile
importONNXLayersは,組み込みのMATLAB層への変換がサポートされていない各ONNX演算子のカスタム層を自動生成しません。サポトされていない層の処理方法の詳細にいては，ヒントを参照してください。
例
ONNX模型格式的深度学习工具箱转换器のダウンロ，ドと，ンスト，ル
深度学习工具箱为ONNX模型格式转换器サポートパッケージをダウンロードしてインストールします。
コマンドラ@ @ンでimportONNXLayersと入力します。
importONNXLayers
深度学习工具箱为ONNX模型格式转换器がインストールされていない場合,この関数は,必要なサポートパッケージへのリンクをアドオンエクスプローラーに表示します。サポトパッケジをンストルするには，リンクをクリックして，[huawei @ huawei @ huawei @ huawei @ huawei @ huawei]をクリックします。コマンドラ▪▪ンでモデルファ▪▪ル“simplenet.onnx”からネットワ，クを，。サポトパッケジがンストルされている場合，この関数はLayerGraphオブジェクトを返します。
modelfile =“simplenet.onnx”；lgraph = importONNXLayers(modelfile)
lgraph = LayerGraph with properties: Layers: [9×1 nnet.cnn.layer.Layer] Connections: [8×2 table] InputNames: {'imageinput'} OutputNames: {'ClassificationLayer_softmax1002'}
ネットワ，クア，キテクチャをプロットします。
情节(lgraph)
DAGNetworkと互換性のある層グラフとしてのonnxモデルのンポト
事前学習済みのonnxネットワ，クをLayerGraphオブジェクトとして▪▪ンポ▪▪トします。次に，DAGNetworkオブジェクトを作成し、組み立てたネットワ、クを使用して、メ、ジを分類します。
squeezenet畳み込みニュ，ラルネットワ，クのonnxモデルを生成します。
挤压板=挤压板;exportONNXNetwork (squeezeNet“squeezeNet.onnx”）;
モデルファ@ @ルとクラス名を指定します。
modelfile =“squeezenet.onnx”；ClassNames = squeezeNet.Layers(end).Classes;
Onnxネットワクの層と重みをンポトします。既定では，importONNXLayersはDAGNetworkオブジェクトと互換性のあるLayerGraphオブジェクトとしてネットワクをンポトします。
lgraph = importONNXLayers(modelfile)
lgraph = LayerGraph with properties: Layers: [70×1 nnet.cnn.layer.Layer] Connections: [77×2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_prob'}
。
analyzeNetwork (lgraph)
。出力を見ると，この層グラフのネットワ，クア，キテクチャの末尾にClassificationOutputLayerがあることがわかります。
lgraph.Layers(结束)
ans = ClassificationOutputLayer与属性:名称:'ClassificationLayer_prob'类:'auto' ClassWeights: 'none' OutputSize: 'auto'超参数LossFunction: 'crossentropyex'
分類層にはクラスが含まれていないため，ネットワ，クを組み立てる前にそれを指定しなければなりません。クラスを指定しない場合，クラスは1、2、...、Nに自動的に設定されます。ここで，Nはクラスの数です。
分類層の名前は“ClassificationLayer_prob”です。クラスを一会に設定してから，。
cLayer = lgraph.Layers(end);粘土。Classes = ClassNames; lgraph = replaceLayer(lgraph,“ClassificationLayer_prob”、粘土);
assembleNetworkを使用して層グラフを組み立て，DAGNetworkオブジェクトを返します。
net =汇编网络(lgraph)
net = DAGNetwork with properties: Layers: [70×1 nnet.cnn.layer.Layer] Connections: [77×2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_prob'}
分類するメジを読み取り，そのメジのサズを表示します。このメジは384 × 512ピクセルで3のカラチャネル(RGB)があります。
I = imread(“peppers.png”）;大小(我)
ans =1×3384 512 3
@ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @メ，ジを表示します。
I = imresize(I，[227 227]);imshow(我)
@ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @
分类(net,I)
标签=分类甜椒
dlnetworkと互換性のある層グラフとしてのonnxモデルのンポト
事前学習済みのonnxネットワ，クを，dlnetworkオブジェクトと互換性のあるLayerGraphオブジェクトとして▪▪ンポ▪▪トします。その後，層グラフをdlnetworkに変換して▪▪メ▪▪ジを分類します。
squeezenet畳み込みニュ，ラルネットワ，クのonnxモデルを生成します。
挤压板=挤压板;exportONNXNetwork (squeezeNet“squeezeNet.onnx”）;
モデルファ@ @ルとクラス名を指定します。
modelfile =“squeezenet.onnx”；ClassNames = squeezeNet.Layers(end).Classes;
Onnxネットワクの層と重みをンポトします。ネットワ，クをdlnetworkオブジェクトと互換性があるLayerGraphオブジェクトとして▪▪ンポ▪▪トするよう指定します。
lgraph = importONNXLayers(modelfile,TargetNetwork=“dlnetwork”）
lgraph = LayerGraph with properties: Layers: [70×1 nnet.cnn.layer.Layer] Connections: [77×2 table] InputNames: {'data'} OutputNames: {1×0 cell}
分類するメジを読み取り，そのメジのサズを表示します。このメジは384 × 512ピクセルで3のカラチャネル(RGB)があります。
I = imread(“peppers.png”）;大小(我)
ans =1×3384 512 3
@ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @メ，ジを表示します。
I = imresize(I，[227 227]);imshow(我)
ンポ，トした層グラフをdlnetworkオブジェクトに変換します。
Dlnet = dlnetwork(lgraph);
メ，ジをdlarrayに変換します。メ，ジを次元“SSCB”(空间，空间，通道，批次)で書式設定します。この場合，バッチサ▪▪ズは1であるため，バッチサ▪▪ズを省略できます(“SSC”)。
I_dlarray = dlarray(single(I))，“SSCB”）;
サンプル▪▪メ▪ジを分類し，予測されたラベルを見▪▪けます。
prob = predict(dlnet,I_dlarray);[~，label] = max(prob);
分類結果を表示します。
类名(标签)
ans =分类甜椒
層グラフとしてのonnxモデルのンポトとカスタム層の自動生成
事前学習済みのonnxネットワ，クをLayerGraphオブジェクトとして@ @ンポ，@ @トし，@ @ンポ，@ @トした層を組み立ててDAGNetworkオブジェクトを作成します。その後，DAGNetworkを使用して▪▪メ▪▪ジを分類します。インポートしたネットワークには,組み込みのMATLAB層への変換がサポートされていないONNX演算子が含まれています。これらの演算子を。
この例では，補助関数findCustomLayersを使用します。この関数のコ，ドを見るには，補助関数を参照してください。
ONNX模型动物园の演算子セット9と共にンポトするファルを，shufflenetとして指定します。shufflenetは,ImageNetデータベースの100年万個を超えるイメージで学習させた畳み込みニューラルネットワークです。結果として、このネットワ、クは広範囲の、メ、ジに対する豊富な特徴表現を学習しています。このネットワークは,イメージを1000個のオブジェクトカテゴリ(キーボード,マウス,鉛筆,多くの動物など)に分類できます。
modelfile =“shufflenet - 9. onnx”；
shufflenetの層と重みを▪▪ンポ▪▪トします。既定では，importONNXLayersはDAGNetworkオブジェクトと互換性のあるLayerGraphオブジェクトとしてネットワクをンポトします。インポートしたネットワークに,組み込みのMATLAB層への変換がサポートされていないONNX演算子が含まれている場合,importONNXLayersは，これらの層の代わりにカスタム層を自動生成できます。importONNXLayersは，生成した各カスタム層を，現在のフォルダ，内のパッケ，ジ+ shufflenet_9に個別の00ファ@ @ルとして保存します。名前と値の引数PackageNameを使用して，パッケ，ジ名を指定します。
lgraph = importONNXLayers(modelfile,PackageName=“shufflenet_9”）
lgraph = LayerGraph with properties: Layers: [173×1 nnet.cnn.layer.Layer] Connections: [188×2 table] InputNames: {'gpu_0_data_0'} OutputNames: {'ClassificationLayer_gpu_0_softmax_1'}
補助関数findCustomLayersを使用して，自動生成されたカスタム層の▪▪ンデックスを見▪▪け，このカスタム層を表示します。
ind = findCustomLayers(lgraph。层,' + shufflenet_9 '）;lgraph.Layers(印第安纳州)
ans = 16×1带有图层的图层数组:1 'Reshape_To_ReshapeLayer1004' shufflenet_9。Reshape_To_ReshapeLayer1004 shufflenet_9。重塑_To_ReshapeLayer1004 2 'Reshape_To_ReshapeLayer1009' shufflenet_9.Reshape_To_ReshapeLayer1009 shufflenet_9.Reshape_To_ReshapeLayer1009 3 'Reshape_To_ReshapeLayer1014' shufflenet_9.Reshape_To_ReshapeLayer1014 shufflenet_9.Reshape_To_ReshapeLayer1014 4 'Reshape_To_ReshapeLayer1019' shufflenet_9.Reshape_To_ReshapeLayer1019 shufflenet_9.Reshape_To_ReshapeLayer1019 5 'Reshape_To_ReshapeLayer1024' shufflenet_9.Reshape_To_ReshapeLayer1024 shufflenet_9.Reshape_To_ReshapeLayer1024 6 'Reshape_To_ReshapeLayer1029' shufflenet_9.Reshape_To_ReshapeLayer1029 shufflenet_9.Reshape_To_ReshapeLayer1029 7 'Reshape_To_ReshapeLayer1034' shufflenet_9.Reshape_To_ReshapeLayer1034 shufflenet_9.Reshape_To_ReshapeLayer1034 8 'Reshape_To_ReshapeLayer1039' shufflenet_9.Reshape_To_ReshapeLayer1039 shufflenet_9.Reshape_To_ReshapeLayer1039 9 'Reshape_To_ReshapeLayer1044' shufflenet_9.Reshape_To_ReshapeLayer1044 shufflenet_9.Reshape_To_ReshapeLayer1044 10 'Reshape_To_ReshapeLayer1049' shufflenet_9.Reshape_To_ReshapeLayer1049 shufflenet_9.Reshape_To_ReshapeLayer1049 11 'Reshape_To_ReshapeLayer1054' shufflenet_9.Reshape_To_ReshapeLayer1054 shufflenet_9.Reshape_To_ReshapeLayer1054 12 'Reshape_To_ReshapeLayer1059' shufflenet_9.Reshape_To_ReshapeLayer1059 shufflenet_9.Reshape_To_ReshapeLayer1059 13 'Reshape_To_ReshapeLayer1064' shufflenet_9.Reshape_To_ReshapeLayer1064 shufflenet_9.Reshape_To_ReshapeLayer1064 14 'Reshape_To_ReshapeLayer1069' shufflenet_9.Reshape_To_ReshapeLayer1069 shufflenet_9.Reshape_To_ReshapeLayer1069 15 'Reshape_To_ReshapeLayer1074' shufflenet_9.Reshape_To_ReshapeLayer1074 shufflenet_9.Reshape_To_ReshapeLayer1074 16 'Reshape_To_ReshapeLayer1079' shufflenet_9.Reshape_To_ReshapeLayer1079 shufflenet_9.Reshape_To_ReshapeLayer1079
分類層にはクラスが含まれていないため，ネットワ，クを組み立てる前にそれを指定しなければなりません。クラスを指定しない場合，クラスは1、2、...、Nに自動的に設定されます。ここで，Nはクラスの数です。
同じくImageNetデタベスのメジで学習させたsqueezenetから，クラス名を。
挤压板=挤压板;classNames = SqueezeNet.Layers(end).ClassNames;
分類層粘土は,lgraphの最後の層です。クラスを一会に設定してから，。
cLayer = lgraph.Layers(end)
cLayer = ClassificationOutputLayer与属性:名称:'ClassificationLayer_gpu_0_softmax_1'类:'auto' ClassWeights: 'none' OutputSize: 'auto'超参数LossFunction: 'crossentropyex'
粘土。Classes = classNames; lgraph = replaceLayer(lgraph,lgraph.Layers(end).Name,cLayer);
assembleNetworkを使用して層グラフを組み立てます。この関数は，予測に使用する準備が整ったDAGNetworkオブジェクトを返します。
net =汇编网络(lgraph)
net = DAGNetwork with properties: Layers: [173×1 nnet.cnn.layer.Layer] Connections: [188×2 table] InputNames: {'gpu_0_data_0'} OutputNames: {'ClassificationLayer_gpu_0_softmax_1'}
分類するメジを読み取り，そのメジのサズを表示します。このイメージは792 x 1056ピクセルで,3つのカラーチャネル(RGB)があります。
I = imread(“peacock.jpg”）;大小(我)
ans =1×3792 1056
@ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @メ，ジを表示します。
I = imresize(I，[224 224]);imshow(我)
shufflenetへの入力をさらに前処理する必要があります(詳細にいては，ONNX模型动物园のShuffleNetを参照してください)。メ，ジを再スケーリングします。学習イメージの平均を減算し、学習イメージの標準偏差で除算して、イメージを正規化します。
I = rescale(I,0,1);meanIm = [0.485 0.456 0.406];stdIm = [0.229 0.224 0.225];I = (I - remodeling (meanIm，[1 1 3]))。/重塑(stdIm，[1 1 3]);
@ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @ @
分类(net,I)
标签=分类孔雀
補助関数
この節では，この例で使用されている補助関数findCustomLayersのコ，ドを示します。findCustomLayersは,importONNXLayersによって自動生成されたカスタム層の指数を返します。
函数index = findCustomLayers(layers,PackageName) s = what([‘。’PackageName]);索引= 0(1，长度(s.m));为I = 1:长度(层数)为J = 1:长度(s.m)如果strcmpi(类(层(i)), [PackageName(2:结束)“。”S.m {j}(1:end-2)]) index (j) = i;结束结束结束结束
プレスホルダを含むonnxモデルの層グラフとしてのンポト
ONNX長短期記憶(LSTM)ネットワークを層グラフとしてインポートし,プレースホルダー層を検索して置換します。LSTMネットワークでは、シーケンス データをネットワークに入力し、シーケンス データの個々のタイム ステップに基づいて予測を行うことができます。
lstmNetは,深層学習を使用したシ，ケンスの分類で作成したLSTMネットワ，クと同様のア，キテクチャとなっています。lstmNetは,続けて発音された2つの日本語の母音を表す時系列データに対してその話者を認識するように学習が行われています。
lstmNetをモデルファ@ @ルとして指定します。
modelfile =“lstmNet.onnx”；
Onnxネットワクの層と重みをンポトします。既定では，importONNXLayersはDAGNetworkオブジェクトと互換性のあるLayerGraphオブジェクトとしてネットワクをンポトします。
lgraph = importONNXLayers(“lstmNet.onnx”）
警告:无法导入某些ONNX操作符，因为它们不受支持。万博1manbetx它们已被占位符层所取代。为了找到这些层，在返回的对象上调用findPlaceholderLayers函数。1个操作符:无法为ONNX网络输出“softmax1001”创建输出层，因为其数据格式未知或MATLAB输出层不支持。万博1manbetx如果您知道它的格式，可以使用'OutputDataFormats'参数传递它。要将ONNX网络作为函数导入，请使用importONNXFunction。
lgraph = LayerGraph with properties: Layers: [6×1 nnet.cnn.layer.Layer] Connections: [5×2 table] InputNames: {'sequenceinput'} OutputNames: {1×0 cell}
importONNXLayersは，警告を表示して出力層のプレ，スホルダ，層を挿入します。
プレ，スホルダ，層を確認するには，lgraphの层プロパティを表示するか，関数findPlaceholderLayersを使用します。
lgraph。层
ans = 6×1带有图层的层数组:1 'sequenceinput' Sequence Input序列输入12维序列输入2 'lstm1000' LSTM LSTM 100个隐藏单元3 'fc_MatMul' Fully Connected 9 Fully Connected Layer 4 'fc_Add' Elementwise Affine应用Elementwise缩放，然后对输入进行加法。5' flat_to_softmaxlayer1005 ' lstmNet。Flatten_To_SoftmaxLayer1005 lstmNet。平_To_SoftmaxLayer1005 6 'OutputLayer_softmax1001' PLACEHOLDER LAYER Placeholder for 'added_outputLayer' ONNX operator
placeholderLayers = findPlaceholderLayers(lgraph)
placeholderLayers = PlaceholderLayer with properties: Name: 'OutputLayer_softmax1001' ONNXNode: [1×1 struct] Weights: [] learable Parameters无属性。状态参数无属性。显示所有属性
プレ，スホルダ，層と置き換える出力層を作成します。まず，OutputLayer_softmax1001という名前の分類層を作成します。クラスを指定しない場合，クラスは1、2、...、Nに自動的に設定されます。ここで，Nはクラスの数です。今回の場合，クラスデ，タは，9人の話者に対応するラベル“1”，“2”，…，“9”から成る分类ベクトルです。
outputLayer =分类层(“名字”，“OutputLayer_softmax1001”）;
関数replaceLayerを使用して，プレ，スホルダ，層をoutputLayerに置き換えます。
lgraph =替换层(lgraph，“OutputLayer_softmax1001”, outputLayer);
層グラフの层プロパティを表示して置き換えを確認します。
lgraph。层
ans = 6×1带有图层的层数组:1 'sequenceinput' Sequence Input序列输入12维序列输入2 'lstm1000' LSTM LSTM 100个隐藏单元3 'fc_MatMul' Fully Connected 9 Fully Connected Layer 4 'fc_Add' Elementwise Affine应用Elementwise缩放，然后对输入进行加法。5' flat_to_softmaxlayer1005 ' lstmNet。Flatten_To_SoftmaxLayer1005 lstmNet。平_To_SoftmaxLayer1005 6 'OutputLayer_softmax1001' Classification Output crossentropyex
または，OutputLayerTypeオプションかOutputDataFormatsオプションを使用して層グラフを▪▪ンポ▪▪トするときに出力層を定義します。findPlaceholderLayersを使用して，ンポトした層グラフにプレスホルダ層が含まれているかどうかを確認します。
lgraph1 = importONNXLayers(“lstmNet.onnx”OutputLayerType =“分类”）;findPlaceholderLayers (lgraph1)
ans = 0×1带有属性的图层数组:
lgraph2 = importONNXLayers(“lstmNet.onnx”OutputDataFormats =“公元前”）;findPlaceholderLayers (lgraph2)
ans = 0×1带有属性的图层数组:
ンポ，トした層グラフlgraph1およびlgraph2には，プレ，スホルダ，層が含まれていません。
複数の出力をもonnxネットワクのンポトと組み立て
importONNXLayersを使用して複数の出力をもつONNXネットワークをインポートし,インポートした層グラフを組み立ててDAGNetworkオブジェクトを作成します。
層と重みのンポト元となるネットワクファルを指定します。
modelfile =“digitsMIMO.onnx”；
modelfileから層と重みを▪▪ンポ▪▪トします。digitsMIMO.onnx内のネットワクには2の出力層があります。1は数字を分類する分類層(ClassificationLayer_sm_1)， 1は数字の予測角度の平均二乗誤差を計算する回帰層(RegressionLayer_fc_1_Flatten)です。
lgraph = importONNXLayers(modelfile)
lgraph = LayerGraph with properties: Layers: [19×1 nnet.cnn.layer.Layer] Connections: [19×2 table] InputNames: {'input'} OutputNames: {'ClassificationLayer_sm_1' 'RegressionLayer_fc_1_Flatten'}
情节を使用して層グラフをプロットし，lgraphの層を表示します。
情节(lgraph)
lgraph。层
ans = 19×1带有图层的图层数组:1的输入图像输入28××28日1图片2的conv_1卷积16 5×5×1的隆起与步幅[1]和填充(2 2 2 2)3的BN_1批量标准化批量标准化与16通道4的relu_1 ReLU ReLU 5‘conv_2卷积32 1×1×16旋转步(2 - 2)和填充[0 0 0 0]6‘conv_3卷积32 3×3×16旋转步(2 - 2)和填充[1 1 1 1]7“BN_2”批量标准化批量标准化32通道8 ' relu_2 ReLU ReLU 9 conv_4的卷积32 3×3×32convolutions with stride [1 1] and padding [1 1 1 1] 10 'BN_3' Batch Normalization Batch normalization with 32 channels 11 'relu_3' ReLU ReLU 12 'plus_1' Addition Element-wise addition of 2 inputs 13 'fc_1' Convolution 1 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0] 14 'fc_2' Convolution 10 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0] 15 'sm_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order 16 'sm_1' Softmax softmax 17 'fc_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order 18 'ClassificationLayer_sm_1' Classification Output crossentropyex 19 'RegressionLayer_fc_1_Flatten' Regression Output mean-squared-error
分類層にはクラスが含まれていないため，ネットワ，クを組み立てる前にそれを指定しなければなりません。クラスを指定しない場合，クラスは1、2、...、Nに自動的に設定されます。ここで，Nはクラスの数です。粘土のクラスを，0、1、...、9として指定します。その後，インポートした分類層を新しい層に置き換えます。
ClassNames = string(0:9);cLayer = lgraph.Layers(18);粘土。Classes = ClassNames; lgraph = replaceLayer(lgraph,“ClassificationLayer_sm_1”、粘土);
assembleNetworkを使用して層グラフを組み立てます。この関数は，予測に使用する準備が整ったDAGNetworkオブジェクトを返します。
assembledNet = assembleNetwork(lgraph)
assembledNet = DAGNetwork with properties: Layers: [19×1 nnet.cnn.layer.Layer] Connections: [19×2 table] InputNames: {'input'} OutputNames: {'ClassificationLayer_sm_1' 'RegressionLayer_fc_1_Flatten'}
入力引数
出力引数
制限
importONNXLayersでサポ，トされるonnxのバ，ジョンは，次のとおりです。この関数は，ONNX中間表現version 7をサポ，トしています。
この関数は，onnx演算子セット6 ~ 14をサポ，トしています。
メモ
エクスポートしたネットワークをインポートする場合,元のネットワークとは異なるネットワークの層が再インポートされ,サポート対象外となる可能性があります。
詳細
ヒント
インポートしたネットワークに,組み込みのMATLAB層への変換がサポートされていないONNX演算子が含まれており(組み込みのmatlab層への変換がサポ，トされているonnx演算子を参照)，
importONNXLayersがカスタム層を生成しない場合，importONNXLayersはサポ，トされない層の代わりにプレ，スホルダ，層を挿入します。ネットワクに含まれるサポト対象外の層の名前とンデックスを見けるには関数findPlaceholderLayersを使用します。その後，プレースホルダー層を、ユーザーが定義した新しい層に置き換えることができます。層を置き換えるには、replaceLayerを使用します。例にいては，複数の出力をもonnxネットワクのンポトと組み立てを参照してください。事前学習済みのネットワークを新しいイメージの予測または転移学習に使用するには,インポートしたモデルの学習に使用したイメージに行った前処理と同じようにイメージを前処理しなければなりません。最も一般的な前処理ステップは,イメージのサイズ変更,イメージの平均値の減算,イメージのBGR形式からRGB形式への変換です。
学習および予測用のメジの前処理の詳細は，メ，ジの深層学習向け前処理を参照してください。
MATLABは1ベスのンデックスを使用しますが，Python®は0ベスのンデックスを使用します。つまり,配列の最初の要素のインデックスは,MATLABとPythonでそれぞれ1と0になります。Matlab计算器ンデックスの詳細に计算器いては，配列@ @ンデックス付けを参照してください。MATLABで、Python で作成されたインデックス (
印第安纳州)の配列を使用するには，配列を印第安纳州+ 1に変換します。その他のヒントにいては，从TensorFlow, PyTorch和ONNX导入模型的技巧を参照してください。
代替機能
ONNX模型格式的深度学习工具箱转换器には，事前学習済みのonnxネットワクをンポトするための3の関数(importONNXNetwork、importONNXLayers，およびimportONNXFunction)が用意されています。各シナリオに最適なンポト関数の詳細にいては，事前学習済みのonnxネットワクをンポトする関数の選択を参照してください。
バ，ジョン履歴
R2018aで導入
您也可以从以下列表中选择一个网站: