importONNXNetwork
进口pretrainedONNX网络
描述
从文件中导入预训练的ONNX™(开放神经网络交换)网络网
= 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
modelfile
- - - - - -ONNX模型文件名称
特征向量|字符串标量
包含网络的ONNX模型文件的名称,指定为字符向量或字符串标量。该文件必须在当前文件夹或MATLAB路径下的文件夹中,或者必须包含该文件的完整或相对路径。
例子:“cifarResNet.onnx”
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。
例子:importONNXNetwork (modelfile TargetNetwork =“dagnetwork GenerateCustomLayers = true, PackageName =“CustomLayers”)
将网络导入modelfile
作为一个DAGNetwork
对象,并将自动生成的自定义层保存在包中+ CustomLayers
在当前文件夹中。
GenerateCustomLayers
- - - - - -自定义层生成选项
真正的
或1
(默认)|假
或0
自定义层生成选项,指定为数字或逻辑1
(真正的
)或0
(假
).如果你设置GenerateCustomLayers
来真正的
,importONNXNetwork
当软件无法将ONNX操作符转换为等效的内置MATLAB层时,尝试生成自定义层。importONNXNetwork
将每个生成的自定义层保存为单独的.m
文件中+
.要查看或编辑自定义层,请打开相关的PackageName
.m
文件。有关自定义层的更多信息,请参见深度学习自定义层.
例子:GenerateCustomLayers = false
TargetNetwork
- - - - - -深度学习工具箱网络的目标类型
“dagnetwork”
(默认)|“dlnetwork”
深度学习工具箱网络的目标类型,指定为“dagnetwork”
或“dlnetwork”
.这个函数importONNXNetwork
导入网络网
作为一个DAGNetwork
或dlnetwork
对象。
如果将网络导入为
DAGNetwork
对象,网
必须包括输入和输出层指定的ONNX模型或您指定使用名称-值参数InputDataFormats
,OutputDataFormats
,或OutputLayerType
.如果将网络导入为
dlnetwork
对象,importONNXNetwork
附加一个CustomOutputLayer
在每个输出分支的末端网
,并可能附加一个CustomInputLayer
在输入分支的开头。该函数附加aCustomInputLayer
如果输入数据格式或输入图像大小未知。类的属性,以获取有关这些层的数据格式的特定于网络的信息CustomInputLayer
而且CustomOutputLayer
对象。有关如何解释“深度学习工具箱”输入和输出数据格式的信息,请参见ONNX输入和输出张量转换为内置MATLAB层.
例子:TargetNetwork = " dlnetwork "
InputDataFormats
- - - - - -网络输入的数据格式
特征向量|字符串标量|字符串数组
网络输入的数据格式,指定为字符向量、字符串标量或字符串数组。importONNXNetwork
试图解释来自ONNX文件的输入数据格式。名称-值参数InputDataFormats
是有用的importONNXNetwork
无法导出输入数据格式。
集InputDataFomats
到ONNX输入张量的顺序的数据格式。例如,如果您指定InputDataFormats
作为“BSSC”
时,导入的网络有一个imageInputLayer
输入。以获取更多信息importONNXNetwork
解释了ONNX输入张量的数据格式以及如何指定InputDataFormats
有关不同的深度学习工具箱输入层,请参见ONNX输入和输出张量转换为内置MATLAB层.
如果指定了空数据格式([]
或""
),importONNXNetwork
自动解释输入数据格式。
例子:InputDataFormats = ' BSSC '
例子:InputDataFormats = " BSSC "
例子:InputDataFormats = [" bcs”、“”、“公元前”)
例子:InputDataFormats = {bcs,[],“公元前”}
数据类型:字符
|字符串
|细胞
OutputDataFormats
- - - - - -网络输出的数据格式
特征向量|字符串标量|字符串数组
网络输出的数据格式,指定为字符向量、字符串标量或字符串数组。importONNXNetwork
试图解释来自ONNX文件的输出数据格式。名称-值参数OutputDataFormats
是有用的importONNXNetwork
无法导出输出数据格式。
集OutputDataFormats
到ONNX输出张量顺序的数据格式。例如,如果您指定OutputDataFormats
作为“公元前”
时,导入的网络有一个classificationLayer
输出。以获取更多信息importONNXNetwork
解释了ONNX输出张量的数据格式以及如何指定OutputDataFormats
有关不同的深度学习工具箱输出层,请参见ONNX输入和输出张量转换为内置MATLAB层.
如果指定了空数据格式([]
或""
),importONNXNetwork
自动解释输出数据格式。
例子:公元前OutputDataFormats = ' '
例子:OutputDataFormats =“公元前”
例子:OutputDataFormats = [" bcs”、“”、“公元前”)
例子:OutputDataFormats = {bcs,[],“公元前”}
数据类型:字符
|字符串
|细胞
ImageInputSize
- - - - - -第一个网络输入的输入图像的大小
两个或三个数值的向量
输入图像的大小为第一网络输入,指定为矢量的三个或四个对应的数值(高度、宽度、渠道)
用于二维图像和(高度、宽度、深度、渠道)
3d图像。网络仅当ONNX模型在时使用此信息modelfile
不指定输入大小。
例子:ImageInputSize=[28 28 1]
用于二维灰度输入图像
例子:ImageInputSize=[224 224 3]
用于二维彩色输入图像
例子:ImageInputSize=[28 28 36 3]
的三维彩色输入图像
OutputLayerType
- - - - - -第一个网络输出的层类型
“分类”
|“回归”
|“pixelclassification”
第一个网络输出的层类型,指定为“分类”
,“回归”
,或“pixelclassification”
.这个函数importONNXNetwork
附加一个ClassificationOutputLayer
,RegressionOutputLayer
,或pixelClassificationLayer
(计算机视觉工具箱)对象添加到导入网络体系结构的第一个输出分支的末尾。附加一个pixelClassificationLayer
(计算机视觉工具箱)对象需要计算机视觉工具箱™。如果ONNX模型在modelfile
指定输出层类型或您指定的TargetNetwork
作为“dlnetwork”
,importONNXNetwork
忽略名称-值参数OutputLayerType
.
例子:OutputLayerType = "回归"
类
- - - - - -类的输出层为第一个网络输出
“汽车”
(默认)|分类向量|字符串数组|字符向量的单元格数组
类的输出层为第一个网络输出,指定为分类向量、字符串数组、单元格数组的字符向量或“汽车”
.如果类
是“汽车”
,然后importONNXNetwork
将类设置为分类(1:N)
,在那里N
是类的数量。如果指定字符向量的字符串数组或单元格数组str
,然后importONNXNetwork
将输出层的类设置为分类(str, str)
.如果你指定TargetNetwork
作为“dlnetwork”
,importONNXNetwork
忽略名称-值参数类
.
例子:类= {' 0 ',' 1 ',' 3 '}
例子:类=分类({‘狗’,‘猫’})
数据类型:字符
|分类
|字符串
|细胞
FoldConstants
- - - - - -常数折叠优化
“深度”
(默认)|“浅”
|“没有”
常量折叠优化,指定为“深度”
,“浅”
,或“没有”
.常量折叠通过在ONNX运算符转换为等效的内置MATLAB层期间计算ONNX初始化器(初始常数值)上的操作来优化导入的网络架构。
如果ONNX网络包含运算符,软件无法将其转换为等效的内置MATLAB层(请参阅ONNX操作符支持转换为内置M金宝appATLAB层),不断的折叠优化可以减少不支持的层数。金宝app当你设置FoldConstants
来“深度”
时,与将参数设置为时相比,网络具有相同或更少的不支持层金宝app“浅”
.但是,网络导入时间可能会增加。集FoldConstants
来“没有”
禁用网络结构优化功能。
如果经过不断的折叠优化,网络仍然包含不支持的层,金宝appimportONNXNetwork
返回一个错误。此时,可以使用importONNXLayers
或importONNXFunction
.有关更多信息,请参见选择功能.
例子:FoldConstants = "浅"
输出参数
网
-预训练的ONNX网络
DAGNetwork
对象|dlnetwork
对象
预训练的ONNX网络,返回为DAGNetwork
或dlnetwork
对象。
指定
TargetNetwork
作为“dagnetwork”
将网络导入为DAGNetwork
对象。在DAGNetwork
对象,然后使用分类
函数。指定
TargetNetwork
作为“dlnetwork”
将网络导入为dlnetwork
对象。在dlnetwork
对象,然后使用预测
函数。将输入数据指定为dlarray
使用正确的数据格式(有关详细信息,请参阅fmt
的观点dlarray
).
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
ONNX支持转换为内置的操作金宝app符MATLAB层
importONNXNetwork
金宝app支持以下ONNX运算符转换为内置的MATLAB层,但有一些限制。
ONNX运营商 | 深度学习工具箱层 |
---|---|
|
additionLayer 或nnet.onnx.layer.ElementwiseAffineLayer |
|
averagePooling1dLayer 或averagePooling2dLayer |
|
batchNormalizationLayer |
|
concatenationLayer |
|
无(权重导入) |
|
convolution1dLayer 或convolution2dLayer |
|
transposedConv2dLayer |
|
dropoutLayer |
|
eluLayer |
|
fullyConnectedLayer 如果ONNX网络是循环的,否则nnet.onnx.layer.FlattenLayer 紧随其后的是convolution2dLayer |
|
globalAveragePooling1dLayer 或globalAveragePooling2dLayer |
|
globalMaxPooling1dLayer 或globalMaxPooling2dLayer |
|
gruLayer |
|
groupNormalizationLayer 与numGroups 指定为“channel-wise” |
|
leakyReluLayer |
|
CrossChannelNormalizationLayer |
|
lstmLayer 或bilstmLayer |
|
fullyConnectedLayer 如果ONNX网络是循环的,否则convolution2dLayer |
|
maxPooling1dLayer 或maxPooling2dLayer |
|
multiplicationLayer |
|
reluLayer 或clippedReluLayer |
|
sigmoidLayer |
|
|
|
additionLayer |
|
tanhLayer |
*如果importONNXNetwork
进口的Conv
ONNX操作符作为convolution2dLayer
和Conv
运算符是一个只有两个元素的向量(p1, p2)
,importONNXNetwork
设置填充
选择convolution2dLayer
来(p1, p2, p1, p2)
.
ONNX运营商 | ONNX进口商自定义层 |
---|---|
|
nnet.onnx.layer.ClipLayer |
|
nnet.onnx.layer.ElementwiseAffineLayer |
|
nnet.onnx.layer.FlattenLayer 或nnet.onnx.layer.Flatten3dLayer |
|
nnet.onnx.layer.IdentityLayer |
|
nnet.onnx.layer.ElementwiseAffineLayer |
|
nnet.onnx.layer.PReluLayer |
|
nnet.onnx.layer.FlattenLayer |
|
nnet.onnx.layer.ElementwiseAffineLayer |
ONNX运营商 | 图像处理工具箱™ |
---|---|
DepthToSpace |
depthToSpace2dLayer (图像处理工具箱) |
调整 |
resize2dLayer (图像处理工具箱)或resize3dLayer (图像处理工具箱) |
SpaceToDepth |
spaceToDepthLayer (图像处理工具箱) |
Upsample |
resize2dLayer (图像处理工具箱)或resize3dLayer (图像处理工具箱) |
转换ONNX输入和输出张量到内置MATLAB层
importONNXNetwork
尝试解释ONNX网络输入输出张量的数据格式,然后将其转换为内置的MATLAB输入输出层。具体解释请参见各表ONNX输入张量转换为深度学习工具箱层而且ONNX输出张量到MATLAB层的转换.
在深度学习工具箱中,每个数据格式字符必须是以下标签之一:
年代
——空间C
——频道B
-批量观察T
-时间或顺序U
——未指明的
转换ONNX输入张量深度学习工具箱层
数据格式 | 资料解释 | 深度学习工具箱层 | ||
---|---|---|---|---|
输入张量 | MATLAB输入格式 | 形状 | 类型 | |
公元前 |
CB |
c——- - - - - -n数组,c是功能的数量和n是观测的数量 | 特性 | featureInputLayer |
bcs ,BSSC ,CSS ,SSC |
SSCB |
h——- - - - - -w——- - - - - -c——- - - - - -n数字数组,其中h,w,c而且n图像的高度、宽度、通道数和观测次数是否分别为 |
二维图像 | imageInputLayer |
BCSSS ,BSSSC ,包括 ,SSSC |
SSSCB |
h——- - - - - -w——- - - - - -d——- - - - - -c数字数组,其中h,w,d,c而且n图像的高度、宽度、深度、通道数和图像观测数分别是 |
三维图像 | image3dInputLayer |
时间待定 |
认知行为治疗 |
c——- - - - - -年代——- - - - - -n矩阵,c是序列特征的数量,年代是序列长度,和n序列观测的数量是多少 |
向量序列 | sequenceInputLayer |
涂层 |
SSCBT |
h——- - - - - -w——- - - - - -c——- - - - - -年代——- - - - - -n数组,h,w,c而且n分别对应图像的高度、宽度和通道数,年代是序列长度,和n图像序列观测的次数是多少 |
二维图像序列 | sequenceInputLayer |
TBCSSS |
SSSCBT |
h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -年代——- - - - - -n数组,h,w,d,c分别对应图像的高、宽、深、通道数,年代是序列长度,和n图像序列观测的次数是多少 |
三维图像序列 | sequenceInputLayer |
转换ONNX输出张量到MATLAB层
数据格式 | MATLAB层 | |
---|---|---|
输出张量 | MATLAB输出格式 | |
公元前 ,时间待定 |
CB ,认知行为治疗 |
classificationLayer |
bcs ,BSSC ,CSS ,SSC ,BCSSS ,BSSSC ,包括 ,SSSC |
SSCB ,SSSCB |
pixelClassificationLayer (计算机视觉工具箱) |
涂层 ,TBCSSS |
SSCBT ,SSSCBT |
regressionLayer |
为导入网络生成代码
你可以使用MATLAB编码器™或GPU Coder™与深度学习工具箱一起生成MEX,独立CPU, CUDA®MEX,或用于导入网络的独立CUDA代码。有关更多信息,请参见深度学习代码生成.
使用MATLAB编码器使用深度学习工具箱生成在桌面或嵌入式目标上运行的MEX或独立CPU代码。您可以部署生成的使用Intel的独立代码®MKL-DNN库或ARM®计算库。或者,您也可以生成不调用第三方库函数的通用C或c++代码。有关更多信息,请参见深度学习与MATLAB编码器(MATLAB编码器).
使用GPU编码器与深度学习工具箱生成CUDA MEX或独立CUDA代码运行在桌面或嵌入式目标。您可以部署生成的独立CUDA代码,使用CUDA深度神经网络库(cuDNN)、TensorRT™高性能推断库或用于Mali GPU的ARM计算库。有关更多信息,请参见GPU编码器的深度学习(GPU编码器).
importONNXNetwork
返回网络网
作为一个DAGNetwork
或dlnetwork
对象。这两个对象都支持代码生成。金宝app欲知更多有关MATLAB编码器和GPU编码器对深度学习工具金宝app箱对象的支持,请参见金宝app支持类(MATLAB编码器)而且金宝app支持类(GPU编码器),分别。
您可以为任何导入的层支持代码生成的网络生成代码。金宝app获取支持使用的代码生成的层的列表金宝appMATLAB编码器和GPU Coder,参见金宝app支持层(MATLAB编码器)而且金宝app支持层(GPU编码器),分别。有关每个内置MATLAB层的代码生成功能和限制的更多信息,请参阅该层的扩展功能部分。例如,请参见代码生成而且GPU代码生成的imageInputLayer
.
GPU使用导入网络
importONNXNetwork
不会在GPU上执行。然而,importONNXNetwork
导入预训练的神经网络进行深度学习DAGNetwork
或dlnetwork
对象,你可以在GPU上使用。
如果将网络导入为
DAGNetwork
对象,可以在CPU或GPU上使用导入的网络进行预测分类
.使用name-value参数指定硬件需求ExecutionEnvironment
.对于具有多个输出的网络,使用预测
函数DAGNetwork
对象。如果将网络导入为
DAGNetwork
对象,可以在CPU或GPU上使用导入的网络进行预测预测
.使用name-value参数指定硬件需求ExecutionEnvironment
.如果网络有多个输出,则指定name-value参数ReturnCategorical
作为真正的
.如果将网络导入为
dlnetwork
对象,可以在CPU或GPU上使用导入的网络进行预测预测
.这个函数预测
如果输入数据或网络参数存储在GPU上,则在GPU上执行。如果你使用
minibatchqueue
要处理和管理输入数据的小批,可以使用minibatchqueue
如果GPU可用,对象默认将输出转换为GPU数组。使用
dlupdate
转换a的可学习参数dlnetwork
对象到GPU数组。net = dlupdate(@gpuArray,net)
导入的网络可以在CPU或GPU上进行训练
trainNetwork
.若要指定培训选项,包括用于执行环境的选项,请使用trainingOptions
函数。使用name-value参数指定硬件需求ExecutionEnvironment
.有关如何加速训练的更多信息,请参见并行、gpu和云中扩展深度学习.
使用GPU需要并行计算工具箱™和受支持的GPU设备。金宝app有关受支持设备的信息,请参见金宝appGPU支金宝app持版本(并行计算工具箱).
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R2021b:一会
选项已被删除
R2021b开始出现错误
一会
已被删除。使用类
代替。的所有实例要更新代码,请替换一会
与类
.
R2021b:importONNXNetwork
不能创建输入和输出层ONNX文件信息
R2021b的行为发生了变化
如果你导入一个ONNX模型作为DAGNetwork
对象时,导入的网络必须包括输入层和输出层。importONNXNetwork
尝试将输入和输出ONNX张量转换为内置的MATLAB层。导入一些网络时,其中importONNXNetwork
以前可以导入输入和输出内置的MATLAB层,importONNXNetwork
现在可能返回一个错误。在这种情况下,执行以下操作之一来更新代码:
指定名称-值参数
TargetNetwork
作为“dlnetwork”
将网络导入为dlnetwork
对象。使用名称-值参数
InputDataFormats
,OutputDataFormats
,OutputLayerType
指定导入网络的输入和输出。使用
importONNXLayers
将网络导入为具有占位符层的层图。使用
importONNXFunction
将网络作为模型函数导入ONNXParameters
对象。
R2021b:导入网络的层名可能不一致
R2021b的行为发生了变化
导入网络的层名可能与以前的版本不同。要更新代码,请将现有的层名替换为新的名称或net.Layers (n) . name
.
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。