importONNXNetwork
进口pretrainedONNX网络
描述
网= importONNXNetwork (modelfile）modelfile．该函数返回网络网作为一个DAGNetwork或dlnetwork对象。
importONNXNetwork要求ONNX模型格式的深度学习工具箱™转换器金宝app支持包。如果没有安装此支金宝app持包，则importONNXNetwork提供下载链接。
请注意
默认情况下,importONNXNetwork当软件无法将ONNX操作符转换为等效的内置MATLAB时，尝试生成自定义层®层。有关软件支持转换的运算符列表，请参见金宝appONNX操作符支持转换为内置M金宝appATLAB层．
importONNXNetwork在包中保存生成的自定义层+．modelfile
importONNXNetwork不会为每个不支持转换为内置MATLAB层的ONNX操作符自动生成自定义层。金宝app有关如何处理不受支持的层的更多信息，请参见金宝app选择功能．
例子
下载并安装ONNX模型格式的深度学习工具箱转换器
下载并安装ONNX模型格式的深度学习工具箱转换器支持包。金宝app
类型importONNXNetwork在命令行。
importONNXNetwork
如果未安装ONNX模型格式的深度学习工具箱转换器，则该函数将在插件资源管理器中提供到所需支持包的链接。金宝app要安装支持包，请单击链接，然后金宝app单击安装．通过从模型文件导入网络，检查安装是否成功“simplenet.onnx”在命令行。如果安装了支持金宝app包，则函数返回一个DAGNetwork对象。
modelfile =“simplenet.onnx”；net = importONNXNetwork(modelfile)
net = DAGNetwork with properties: Layers: [9×1 nnet.cnn.layer.Layer] Connections: [8×2 table] InputNames: {'imageinput'} OutputNames: {'ClassificationLayer_softmax1002'}
绘制网络架构图。
情节(净)
导入ONNX Network asDAGNetwork
导入预训练的ONNX网络作为DAGNetwork对象，并使用导入的网络对图像进行分类。
的ONNX模型squeezenet卷积神经网络。
挤压板=挤压板;exportONNXNetwork (squeezeNet“squeezeNet.onnx”）;
指定类名。
ClassNames = squeezeNet.Layers(end).Classes;
导入预训练的squeezeNet.onnx建模，并指定类。默认情况下,importONNXNetwork导入网络为DAGNetwork对象。
net = importONNXNetwork(“squeezeNet.onnx”、类=一会)
net = DAGNetwork with properties: Layers: [70×1 nnet.cnn.layer.Layer] Connections: [77×2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_prob'}
分析导入的网络。
analyzeNetwork(净)
读取要分类的图像并显示图像的大小。图像是384 × 512像素，有三个颜色通道(RGB)。
I = imread(“peppers.png”）;大小(我)
ans =1×3384 512 3
将图像大小调整为网络的输入大小。显示图像。
I = imresize(I，[227 227]);imshow(我)
使用导入的网络对图像进行分类。
分类(net,I)
标签=分类甜椒
导入ONNX Network asdlnetwork
导入预训练的ONNX网络作为dlnetwork对象，并使用导入的网络对图像进行分类。
的ONNX模型squeezenet卷积神经网络。
挤压板=挤压板;exportONNXNetwork (squeezeNet“squeezeNet.onnx”）;
指定类名。
ClassNames = squeezeNet.Layers(end).Classes;
导入预训练的squeezeNet.onnx模型作为dlnetwork对象。
net = importONNXNetwork(“squeezeNet.onnx”TargetNetwork =“dlnetwork”）
net = dlnetwork with properties: Layers: [70×1 nnet.cnn.layer.Layer] Connections: [77×2 table] Learnables: [52×3 table] State: [0×3 table] InputNames: {'data'} OutputNames: {'probOutput'} Initialized: 1 .初始化
读取要分类的图像并显示图像的大小。图像是384 × 512像素，有三个颜色通道(RGB)。
I = imread(“peppers.png”）;大小(我)
ans =1×3384 512 3
将图像大小调整为网络的输入大小。显示图像。
I = imresize(I，[227 227]);imshow(我)
将图像转换为adlarray．用尺寸格式化图像“SSCB”(空间，空间，通道，批次)。在这种情况下，批处理大小为1，您可以省略它(“SSC”)．
I_dlarray = dlarray(single(I))，“SSCB”）;
对样本图像进行分类，找到预测的标签。
prob = predict(net,I_dlarray);[~，label] = max(prob);
显示分类结果。
类名(标签)
ans =分类甜椒
使用自动生成的自定义层导入ONNX网络
导入预训练的ONNX网络作为DAGNetwork对象，并使用导入的网络对图像进行分类。导入的网络包含不支持转换为内置MATLAB层的ONNX操作符。金宝app当您导入这些操作符时，软件会自动生成自定义层。
本例使用helper函数findCustomLayers．要查看此函数的代码，请参见Helper函数．
指定要导入的模型文件shufflenet使用ONNX模型动物园的操作符集9。shufflenet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。
modelfile =“shufflenet - 9. onnx”；
导入类名squeezenet，它也是用ImageNet数据库中的图像进行训练的。
挤压板=挤压板;ClassNames = squeezeNet.Layers(end).ClassNames;
进口shufflenet．默认情况下,importONNXNetwork导入网络为DAGNetwork对象。如果导入的网络包含不支持转换为内置MATLAB层的ONNX操作符，则金宝appimportONNXNetwork可以自动生成自定义层来代替这些操作符。importONNXNetwork将每个生成的自定义层保存为单独的．m包中的文件+ shufflenet_9在当前文件夹中。使用name-value参数指定包名PackageName．
net = importONNXNetwork(modelfile，.．.类=一会PackageName =“shufflenet_9”）
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'}
使用helper函数查找自动生成的自定义层的索引findCustomLayers，并显示自定义图层。
ind = findCustomLayers(net。层,' + shufflenet_9 '）;net.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
读取要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)。
I = imread(“peacock.jpg”）;大小(我)
ans =1×3792 1056
将图像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需要进一步预处理(有关详细信息，请参见在ONNX模型动物园ShuffleNet)．重新缩放图像。通过减去训练图像的平均值并除以训练图像的标准差来归一化图像。
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]);imshow(我)
使用导入的网络对图像进行分类。
分类(net,I)
标签=分类孔雀
Helper函数
介绍helper函数的代码findCustomLayers本例中使用。findCustomLayers返回指数自定义层的importONNXNetwork自动生成。
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
导入多输出ONNX网络
导入一个有多个输出的ONNX网络作为DAGNetwork对象。
指定ONNX模型文件并导入预训练的ONNX模型。默认情况下,importONNXNetwork导入网络为DAGNetwork对象。
modelfile =“digitsMIMO.onnx”；net = importONNXNetwork(modelfile)
net = DAGNetwork with properties: Layers: [19×1 nnet.cnn.layer.Layer] Connections: [19×2 table] InputNames: {'input'} OutputNames: {'ClassificationLayer_sm_1' 'RegressionLayer_fc_1_Flatten'}
网络有两个输出层:一个分类层(ClassificationLayer_sm_1)，以分类数字及一个回归层(RegressionLayer_fc_1_Flatten)，以计算数字预测角度的均方误差。绘制网络架构图。
情节(净)标题(“digitsMIMO网络体系结构”）
要使用导入的网络进行预测，请使用预测函数，并设置ReturnCategorical选项真正的．
输入参数
输出参数
限制
importONNXNetwork金宝app支持以下ONNX版本:该函数支持ONNX中间表示金宝app版本7。
该函数支持ONNX操作符集金宝app6 ~ 14。
请注意
如果导入导出的网络，重新导入的网络的层数可能与原始网络不同，可能不受支持。金宝app
更多关于
提示
要使用预训练的网络对新图像进行预测或迁移学习，您必须以与用于训练导入模型的图像预处理相同的方式对图像进行预处理。最常见的预处理步骤是调整图像大小，减去图像平均值，并将图像从BGR图像转换为RGB。
有关用于训练和预测的图像预处理的更多信息，请参见用于深度学习的图像预处理．
MATLAB使用基于1的索引，而Python®使用从零开始的索引。换句话说，在MATLAB和Python中，数组中的第一个元素的索引分别为1和0。有关MATLAB索引的更多信息，请参见数组索引．在MATLAB中，要使用一个索引数组(
印第安纳州)，将数组转换为印第安纳州+ 1．
选择功能
ONNX模型格式的深度学习工具箱转换器提供三个功能导入预训练的ONNX网络:importONNXNetwork，importONNXLayers,importONNXFunction．
如果导入的网络包含不支持转换为内置MATLAB层的ONNX操作符(请参阅金宝appONNX操作符支持转换为内置M金宝appATLAB层),importONNXNetwork不生成自定义层，然后importONNXNetwork返回一个错误。在这种情况下，您仍然可以使用importONNXLayers导入网络结构和权重或importONNXFunction将网络导入为ONNXParameters对象和模型函数。
有关导入函数最适合不同场景的详细信息，请参见选择Function导入ONNX预训练网络．
版本历史
在R2018a中引入
您也可以从以下列表中选择一个网站: