importTensorFlowLayers

进口层TensorFlow网络

折叠所有页面

语法

lgraph = importTensorFlowLayers (modelFolder)

lgraph = importTensorFlowLayers (modelFolder、名称、值)

描述

lgraph= importTensorFlowLayers (模型文件夹）从文件夹返回TensorFlow™网络的层模型文件夹该函数可以导入用TensorFlow- keras顺序或函数API创建的TensorFlow网络。importTensorFlowLayers导入在中定义的图层saved_model.pb文件中所包含的学习权重变量子文件夹,并返回lgraph作为一个LayerGraph对象。

importTensorFlowLayers要求用于张量流模型的深度学习工具箱™转换器金宝app支持包。如果没有安装此支金宝app持包，则importTensorFlowLayers提供下载链接。

请注意

importTensorFlowLayers当导入自定义TensorFlow层或软件无法将TensorFlow层转换为等效的内置MATLAB时，尝试生成自定义层^®层。有关软件支持转换的层的列表，请参见金宝app支持TensorFlow Keras层转换为内置金宝appMATLAB层．

importTensorFlowLayers将生成的自定义图层和关联的TensorFlow操作符保存在包中+模型文件夹．

importTensorFlowLayers不会为每个不支持转换为内置MATLAB层的TensorFlow层自动生成自定义层。有关如何处理不支持层的更多信息，请参阅金宝app提示．

例子

lgraph= importTensorFlowLayers (模型文件夹，名称,值）使用由一个或多个名称-值参数指定的附加选项从TensorFlow网络导入层和权重。例如,“OutputLayerType”、“分类”在导入的网络体系结构的末尾附加分类输出层。

例子

全部折叠

导入TensorFlow网络作为与兼容的图层图`达格网络`

这个示例使用:

打开实时脚本

以保存的模型格式导入预先训练好的TensorFlow网络LayerGraph对象然后，将导入的层组装到达格网络对象，并利用组合网络对图像进行分类。

指定模型文件夹。

如果~ (“digitsDAGnet”，“dir”)解压缩(“digitsDAGnet.zip”）结束modelFolder =”。/ digitsDAGnet '；

指定类名。

一会= {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；

以保存的模型格式导入TensorFlow网络的层和权值。默认情况下,importTensorFlowLayers将网络导入为LayerGraph对象与达格网络对象。指定图像分类问题的输出层类型。

lgraph = importTensorFlowLayers (modelFolder,“OutputLayerType”，“分类”）

导入保存的模型…翻译模型可能需要几分钟……完成翻译。

lgraph = LayerGraph with properties: Layers: [13×1 nnet.cnn.layer.Layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

显示导入网络的最后一层。输出显示importTensorFlowLayers附加一个ClassificationOutputLayer以网络体系结构结束。

lgraph.Layers(结束)

名称:'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'

分类层不包含类，因此必须在组装网络之前指定这些类。如果不指定类，则软件会自动将类设置为1，2、……N,在那里N为类数。

分类层的名称为“ClassificationLayer_activation_1”.将课程设置为一会然后用新的分类层替换导入的分类层。

粘土= lgraph.Layers(结束);粘土。类=一会;lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);

使用assembleNetwork返回一个达格网络对象。

净= assembleNetwork (lgraph)

net = DAGNetwork with properties: Layers: [13×1 net.cnn.layer. layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

阅读要分类的图像。

digitDatasetPath = fullfile (toolboxdir (“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”); I=imread（完整文件（digitDatasetPath，“5”，“image4009.png”））;

使用导入的网络对图像进行分类。

标签=分类(净,我);

显示图像和分类结果。

imshow (I)标题([的分类结果一会{标签}])

导入TensorFlow网络作为与兼容的图层图`dlnetwork`

这个示例使用:

打开实时脚本

以保存的模型格式导入预先训练好的TensorFlow网络LayerGraph对象与dlnetwork对象然后，将LayerGraph对象一个dlnetwork对图像进行分类。

指定模型文件夹。

如果~ (“digitsDAGnet”，“dir”)解压缩(“digitsDAGnet.zip”）结束modelFolder =”。/ digitsDAGnet '；

指定类名。

一会= {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；

导入TensorFlow网络作为层兼容dlnetwork对象。

lgraph = importTensorFlowLayers (modelFolder,“TargetNetwork”，“dlnetwork”）

导入保存的模型…翻译模型可能需要几分钟……完成翻译。

lgraph = LayerGraph with properties: Layers: [12×1 nnet.cnn.layer.Layer] Connections: [12×2 table] InputNames: {'input_1'} OutputNames: {1×0 cell}

读取要分类的图像并显示图像的大小。该图像为灰度（单通道）图像，大小为28×28像素。

digitDatasetPath = fullfile (toolboxdir (“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”); I=imread（完整文件（digitDatasetPath，“5”，“image4009.png”)); 尺寸（I）

ans =1×228日28日

将导入的层图转换为dlnetwork对象。

dlnet = dlnetwork (lgraph);

显示网络的输入大小。在本例中，图像大小与网络输入大小匹配。如果它们不匹配，您必须使用imresize(我netInputSize (1:2))．

dlnet.Layers (1) .InputSize

ans =1×328日28日1

将图像转换为dlarray．用尺寸格式化图像“SSCB”(spatial, spatial, channel, batch)。在本例中，批大小为1，您可以省略它(SSC的）.

I_dlarray=dlarray（单个（I），“SSCB”）;

对样本图像进行分类并找到预测的标签。

概率=预测(dlnet I_dlarray);[~,标签]= max(概率);

显示图像和分类结果。

imshow (I)标题([的分类结果一会{标签}])

导入张量流网络作为自动生成自定义图层的层图

这个示例使用:

打开实时脚本

以保存的模型格式导入预先训练好的TensorFlow网络LayerGraph对象然后，将导入的层组装到达格网络对象。导入的网络包含不支持转换为内置MATLAB层的层。金宝app当您导入这些层时，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．

指定模型文件夹。

如果~ (“digitsDAGnetwithnoise”，“dir”)解压缩(“digitsDAGnetwithnoise.zip”）结束modelFolder =”。/ digitsDAGnetwithnoise '；

指定类名。

一会= {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；

lgraph = importTensorFlowLayers (modelFolder,“OutputLayerType”，“分类”）;

导入保存的模型…翻译模型可能需要几分钟……完成翻译。

如果导入的网络包含不支持转换为内置MATLAB层的层，则金宝appimportTensorFlowLayers可以自动生成自定义图层来代替这些图层。importTensorFlowLayers将每个生成的自定义层保存为单独的．m包中的文件+数字噪声在当前文件夹中。

使用helper函数查找自动生成的自定义层的索引findCustomLayers，并显示自定义层。

印第安纳州= findCustomLayers (lgraph。层,' + digitsDAGnetwithnoise '）;lgraph.Layers(印第安纳州)

ans=2×1层阵列，带层：1'高斯噪声\u 1'高斯噪声digitsDAGnetwithnoise.kgAussianNoise1层3766 2'高斯噪声\u 2'高斯噪声digitsDAGnetwithnoise.kgAussianNoise2层3791

分类层不包含类，因此必须在组装网络之前指定这些类。如果不指定类，则软件会自动将类设置为1，2、……N,在那里N为类数。

分类层的名称为“ClassificationLayer_activation_1”.将课程设置为一会然后用新的分类层替换导入的分类层。

粘土= lgraph.Layers(结束);粘土。类=一会;lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);

使用assembleNetwork．函数返回达格网络准备用于预测的对象。

净= assembleNetwork (lgraph)

net = DAGNetwork with properties: Layers: [15×1 net.cnn.layer. layer] Connections: [15×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

Helper函数

本节提供helper函数的代码findCustomLayers在这个例子中使用。findCustomLayers返回指数自定义层的importTensorFlowNetwork自动生成。

函数index = findCustomLayers(layers,PackageName) s = what([‘。’PackageName]);指数= 0(1、长度(小);为i = 1:长度(层)为j = 1:长度(小)如果strcmpi(类(层(i)), [PackageName(2:结束)“。”s、 m{j}（1:end-2）]指数（j）=i；结束结束结束结束

输入参数

全部折叠

`模型文件夹`- - - - - -TensorFlow模型文件夹的名称
特征向量|字符串标量

包含TensorFlow模型的文件夹名称，指定为字符向量或字符串标量。模型文件夹必须在当前文件夹中，否则必须包含文件夹的完整路径或相对路径。模型文件夹必须包含文件saved_model.pb，以及子文件夹变量. 它还可以包含子文件夹资产和assets.extra．

档案saved_model.pb包含层图架构和培训选项(例如，优化器、损失和度量)。
子文件夹变量包含由预训练TensorFlow网络学习的权重。默认情况下，importTensorFlowLayers进口的权重。
子文件夹资产包含层图可以使用的补充文件(例如，词汇表)。importTensorFlowLayers不在中导入文件资产．
子文件夹assets.extra包含与层图共存的补充文件(例如，用户信息)。

例子:“MobileNet”

例子:“./MobileNet”

名称-值参数

指定可选的逗号分隔的对名称,值参数。名称参数名和价值是对应的值。名称必须出现在引号内。您可以按任意顺序指定多个名称和值对参数，如下所示：Name1, Value1,…,的家．

例子:importTensorFlowLayers (modelFolder‘TargetNetwork’,‘dagnetwork’,‘OutputLayerType’,“分类”)从中导入网络层和权重模型文件夹，在包中保存自动生成的自定义层+模型文件夹在当前文件夹中，指定导入的层与达格网络对象，并将分类输出层附加到导入层的末尾。

`包装名称`- - - - - -自定义层包的名称
特征向量|字符串标量

其中的包的名称importTensorFlowLayers保存自定义层，指定为字符向量或字符串标量。importTensorFlowLayers保存自定义层包+包装名称在当前文件夹中。如果没有指定“包装名称”,然后importTensorFlowLayers将自定义层保存在名为+模型文件夹在当前文件夹中。有关包的详细信息，请参阅包创建名称空间．

importTensorFlowLayers当导入自定义TensorFlow层或软件无法将TensorFlow层转换为等效的内置MATLAB层时，尝试生成自定义层。importTensorFlowLayers将每个生成的自定义层保存为单独的．m文件中+包装名称．要查看或编辑自定义层，请打开关联的．m文件。有关自定义层的更多信息，请参见深度学习自定义图层．

这个包+包装名称也可以包含子包+行动．这个子包包含与TensorFlow运算符对应的MATLAB函数(参见金宝app支持TensorFlow运营商)在自动生成的自定义图层中使用的。importTensorFlowLayers为每个操作符单独保存相关的MATLAB函数．m文件在子包中+行动．的对象函数dlnetwork，例如预测函数，在与自定义层交互时使用这些操作符。

例子:“PackageName”、“MobileNet”

例子:“PackageName”、“CustomLayers”

`目标网络`- - - - - -深度学习工具箱网络的目标类型
`“达格网络”`（默认）|`“dlnetwork”`

导入网络架构的深度学习工具箱网络目标类型，具体为“达格网络”或“dlnetwork”．

如果您指定“TargetNetwork”作为“达格网络”，所导入的网络架构兼容a达格网络对象。在本例中，导入的lgraph必须包含由TensorFlow保存的模型损失函数或名称-值参数指定的输出层“OutputLayerType”．
如果您指定“TargetNetwork”作为“dlnetwork”，所导入的网络架构兼容adlnetwork对象。在本例中，导入的lgraph不包括输出层。

例子:“TargetNetwork”、“dlnetwork”进口LayerGraph对象与dlnetwork对象。

`OutputLayerType`- - - - - -输出层类型
`“分类”`|`“回归”`|`“pixelclassification”`

输出层的类型importTensorFlowLayers附加到导入的网络架构的末尾，指定为“分类”，“回归”或“pixelclassification”. 附加pixelClassificationLayer(计算机视觉工具箱)对象需要计算机视觉工具箱™。

如果您指定“TargetNetwork”作为“达格网络”和保存的模型模型文件夹不指定损失函数，必须为name-value参数赋值“OutputLayerType”．一个达格网络对象必须有一个输出层。
如果您指定“TargetNetwork”作为“dlnetwork”，importTensorFlowLayers忽略name-value参数“OutputLayerType”．一个dlnetwork对象没有输出层。

例子:“OutputLayerType”、“分类”

`ImageInputSize`- - - - - -输入图像大小
两个或三个数值的向量

网络输入图像的大小，指定为两个或三个数值对应的向量(高度、宽度)对于灰度图像和(高度、宽度、渠道)为彩色图像，分别。网络使用这些信息时saved_model.pb文件中模型文件夹没有指定输入大小。

例子:“ImageInputSize”,[28 28]

`详细的`- - - - - -用于显示导入进度信息的指示器
`符合事实的`或`1`（默认）|`假`或`0`

指示符，用于在命令窗口中显示导入进度信息，以数字或逻辑形式指定1（符合事实的)或0（假）.

例子:"详细","真实"

输出参数

全部折叠

`lgraph`——网络体系结构
`LayerGraph`对象

网络架构，作为一个LayerGraph对象。

要使用导入的层图进行预测，必须将LayerGraph对象一个达格网络或dlnetwork对象。指定名称-值参数“TargetNetwork”作为“达格网络”或“dlnetwork”取决于预期的工作流。

把一个LayerGraph到一个达格网络利用assembleNetwork．在达格网络对象，然后使用分类函数。
把一个LayerGraph到一个dlnetwork利用dlnetwork．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(有关更多信息，请参阅fmt的观点dlarray）.

限制

importTensorFlowLayers金宝app支持TensorFlow版本v2.0、v2.1、v.2.2和v2.3。

更多关于

全部折叠

TensorFlow-Keras层支持转换为内置金宝appMATLAB层

importTensorFlowLayers金宝app支持以下TensorFlow-Keras层类型转换为内置MATLAB层，但有一些限制。

TensorFlow-Keras层	对应的深度学习工具箱层
`添加`	`additionLayer`
`激活`，具有激活名称： `“elu”` `“雷卢”` `“线性”` `“softmax”` `“乙状结肠”` `“漂亮”` `的双曲正切`	层: `eluLayer` `reluLayer`或`clippedReluLayer` 没有一个 `softmaxLayer` `sigmoidLayer` `swishLayer` `tanhLayer`
先进的激活: `ELU` `Softmax` `线性整流函数（Rectified Linear Unit）` `利基雷卢` `PReLu`＊	层: `eluLayer` `softmaxLayer` `reluLayer`，`clippedReluLayer`或`leakyReluLayer` `leakyReluLayer` `nnet.keras.layer.PreluLayer`
`AveragePooling1D`	`averagePooling1dLayer`与`PaddingValue`指定为`“中庸”`
`AveragePooling2D`	`averagePooling2dLayer`与`PaddingValue`指定为`“中庸”`
`BatchNormalization`	`批处理规范化层`
`双向(LSTM (__))`	`双层膜`
`连接`	`depthConcatenationLayer`
`Conv1D`	`convolution1dLayer`
`Conv2D`	`卷积层`
`Conv2DTranspose`	`转置层`
`库德宁格鲁`	`gruLayer`
`CuDNNLSTM`	`lstmLayer`
`密集的`	`fullyConnectedLayer`
`DepthwiseConv2D`	`groupedConvolution2dLayer`
`辍学`	`落花人`
`嵌入`	`wordEmbeddingLayer`(文本分析工具箱)
`平`	`nnet.keras.layer.FlattenCStyleLayer`
`全球平均池1d`	`globalAveragePooling1dLayer`
`全球平均池2D`	`globalAveragePooling2dLayer`
`GlobalMaxPool1D`	`globalMaxPooling1dLayer`
`GlobalMaxPool2D`	`GlobalMapooling2DLayer`
`格勒乌`	`gruLayer`
`输入`	`图像输入层`，`序列输入层`或`featureInputLayer`
`LSTM`	`lstmLayer`
`MaxPool1D`	`maxPooling1dLayer`
`MaxPool2D`	`maxPooling2dLayer`
`乘`	`乘法层`
`SeparableConv2D`	`groupedConvolution2dLayer`或`卷积层`
`TimeDistributed`	`sequenceFoldingLayer`在包裹层之前，然后`sequenceUnfoldingLayer`在包裹层之后
`UpSampling2D`	`resize2dLayer`(图像处理工具箱)
`UpSampling3D`	`resize3dLayer`(图像处理工具箱)
`ZeroPadding1D`	`nnet.keras.layer.ZeroPadding1DLayer`
`ZeroPadding2D`	`nnet.keras.layer.ZeroPadding2DLayer`

*对于PReLU层，importTensorFlowLayers将向量值缩放参数替换为向量元素的平均值。您可以在导入后将参数更改回向量。有关示例，请参阅导入Keras PReLU图层．

金宝app支持TensorFlow-Keras损失函数

importTensorFlowLayers金宝app支持以下Keras loss功能:

mean_squared_error
categorical_crossentropy
稀疏分类交叉熵
二元交叉熵

金宝app支持TensorFlow操作员

importTensorFlowLayers金宝app支持以下TensorFlow运算符，以便使用dlarray金宝app支持

TensorFlow运营商	相应的MATLAB函数
`添加`	`tfAdd`
`AddN`	`tfAddN`
`AddV2`	`tfAdd`
`AvgPool`	`tfAvgPool`
`BatchMatMulV2`	`tfBatchMatMulV2`
`BiasAdd`	`tfBiasAdd`
`BroadcastTo`	`tfBroadcastTo`
`投`	`tfCast`
`ConcatV2`	`tfCat`
`常量`	无(转换为自定义层中的权重)
`Conv2D`	`tfConv2D`
`深度空间`	`depthToSpace`(图像处理工具箱)
`DepthwiseConv2dNative`	`tfDepthwiseConv2D`
`经验值`	`经验值`
`FusedBatchNormav3`	`tfBatchnorm`
`GatherV2`	`tfGather`
`身份`	无(转换为自定义层的值分配)
`IdentityN`	`tfIdentityN`
`L2Loss`	`tfL2Loss`
`LeakyRelu`	`leakyrelu`
`较少的`	`书信电报`，`<`
`日志`	`日志`
`MatMul`	`tfMatMul`
`MaxPool`	`tfMaxPool`
`最大`	`tfMaximum`
`的意思是`	`tfMean`
`最低限度`	`tfMinimum`
`MirrorPad`	`tfMirrorPad`
`Mul`	`tfMul`
`负的`	`减`，`-`
`收拾`	`tfStack`
`垫`	`tfPad`
`PadV2`	`tfPad`
`PartitionedCall`	无(在自定义层方法中转换为函数)
`战俘`	`权力`，`．^`
`刺激`	`tfProd`
`RandomStandardNormal`	`tfRandomStandardNormal`
`范围`	`tfRange`
`ReadVariableOp`	无(转换为自定义层的值分配)
`雷亚尔迪夫`	`tfDiv`
`线性整流函数（Rectified Linear Unit）`	`线性整流函数（Rectified Linear Unit）`
`Relu6`	`线性整流函数（Rectified Linear Unit）`和`闵`
`重塑`	`tfReshape`
`ResizeNearestNeighbor`	`调整大小`(图像处理工具箱)
`Rsqrt`	`√6`
`形状`	`tfShape`
`乙状结肠`	`乙状结肠`
`Softmax`	`softmax`
`SpaceToDepth`	`spaceToDepth`(图像处理工具箱)
`广场`	`. ^ 2`
`√6`	`√6`
`SquaredDifference`	`tfMul`或`tfSub`
`挤压`	`tfSqueeze`
`StatefulPartitionedCall`	无(在自定义层方法中转换为函数)
`StopGradient`	`tfStopGradient`
`斯特里兹利斯`	`tfStridedSlice`或`tfSqueeze`
`附属的`	`tfSub`
`双曲正切`	`双曲正切`
`瓦片`	`tfTile`
`转置`	`交换`

以获取有关操作的函数的更多信息dlarray对象,看到支持dlarray的函数列表金宝app．

在GPU上使用导入的网络层

importTensorFlowLayers不在GPU上执行。但是，importTensorFlowLayers将预训练神经网络的各层导入深度学习，作为LayerGraph对象，可以在GPU上使用。

转换导入的LayerGraph对象一个达格网络对象的使用assembleNetwork．在达格网络对象，然后可以通过使用分类．使用name-value参数指定硬件需求ExecutionEnvironment．对于具有多个输出的网络，使用预测函数并指定名称-值参数ReturnCategorical作为符合事实的．
转换导入的LayerGraph对象一个dlnetwork对象的使用dlnetwork．在dlnetwork对象，然后可以通过使用预测．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对小批量输入数据进行处理和管理minibatchqueue对象默认将输出转换为GPU阵列(如果有GPU可用)。
- 使用dlupdate转换a的可学习参数dlnetwork对象到GPU阵列。
```
dlnet = dlupdate (@gpuarray dlnet)
```
你可以训练进口的LayerGraph在CPU或GPU上使用trainNetwork．要指定培训选项，包括执行环境的选项，请使用培训选项作用使用name-value参数指定硬件要求ExecutionEnvironment. 有关如何加快培训的更多信息，请参阅在gpu和云上并行扩展深度学习．

使用GPU需要并行计算工具箱™ 以及受支持的GPU设备。有关支持的设备的信息，请参阅金宝appGPU支金宝app持情况(并行计算工具箱)．

提示

如果导入的网络包含不支持转换为内置MATLAB层的层(参见金宝app支持TensorFlow Keras层转换为内置金宝appMATLAB层),importTensorFlowLayers不自动生成自定义层，那么importTensorFlowLayers插入占位符层以替换不受支持的层。若要查找网络中不受支持层的名称和索引，请使用金宝appfindPlaceholderLayers函数。然后，您可以将占位符层替换为您定义的新层。要替换一个图层，请使用replaceLayer．
要使用预先训练的网络对新图像进行预测或迁移学习，必须以与用于训练导入模型的图像的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，以及将图像从BGR图像转换为RGB图像。
- 要调整图像大小，请使用imresize．例如,imresize（图像[227227,3]）．
- 要将图像从RGB格式转换为BGR格式，请使用翻转．例如,翻转(图片3)．
有关用于训练和预测的预处理图像的更多信息，请参见深度学习的图像预处理．
一揽子计划的成员+包装名称如果包父文件夹不在MATLAB路径上，则无法访问（自定义层和TensorFlow操作符）。有关更多信息，请参阅软件包和MATLAB路径．

选择功能

使用importTensorFlowNetwork或importTensorFlowLayers以保存的模型格式导入TensorFlow网络的步骤［2］．或者，如果网络是HDF5或JSON格式，则使用importKerasNetwork或importKerasLayers导入网络。

参考文献

［1］TensorFlow．https://www.tensorflow.org/．

［2］使用SavedModel格式．https://www.tensorflow.org/guide/saved_model．

另请参阅

主题

介绍了R2021a

importTensorFlowLayers

语法

描述

例子

导入TensorFlow网络作为与兼容的图层图`达格网络`

导入TensorFlow网络作为与兼容的图层图`dlnetwork`

导入张量流网络作为自动生成自定义图层的层图

输入参数

`模型文件夹`- - - - - -TensorFlow模型文件夹的名称
特征向量|字符串标量

名称-值参数

`包装名称`- - - - - -自定义层包的名称
特征向量|字符串标量

`目标网络`- - - - - -深度学习工具箱网络的目标类型
`“达格网络”`（默认）|`“dlnetwork”`

`OutputLayerType`- - - - - -输出层类型
`“分类”`|`“回归”`|`“pixelclassification”`

`ImageInputSize`- - - - - -输入图像大小
两个或三个数值的向量

`详细的`- - - - - -用于显示导入进度信息的指示器
`符合事实的`或`1`（默认）|`假`或`0`

输出参数

`lgraph`——网络体系结构
`LayerGraph`对象

限制

更多关于

TensorFlow-Keras层支持转换为内置金宝appMATLAB层

金宝app支持TensorFlow-Keras损失函数

金宝app支持TensorFlow操作员

在GPU上使用导入的网络层

提示

选择功能

参考文献

另请参阅

主题

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

importTensorFlowLayers

语法

描述

例子

导入TensorFlow网络作为与兼容的图层图达格网络

导入TensorFlow网络作为与兼容的图层图dlnetwork

导入张量流网络作为自动生成自定义图层的层图

输入参数

模型文件夹- - - - - -TensorFlow模型文件夹的名称特征向量|字符串标量

名称-值参数

包装名称- - - - - -自定义层包的名称特征向量|字符串标量

目标网络- - - - - -深度学习工具箱网络的目标类型“达格网络”（默认）|“dlnetwork”

OutputLayerType- - - - - -输出层类型“分类”|“回归”|“pixelclassification”

ImageInputSize- - - - - -输入图像大小两个或三个数值的向量

详细的- - - - - -用于显示导入进度信息的指示器符合事实的或1（默认）|假或0

输出参数

lgraph——网络体系结构LayerGraph对象

限制

更多关于

TensorFlow-Keras层支持转换为内置金宝appMATLAB层

金宝app支持TensorFlow-Keras损失函数

金宝app支持TensorFlow操作员

在GPU上使用导入的网络层

提示

选择功能

参考文献

另请参阅

主题

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

导入TensorFlow网络作为与兼容的图层图`达格网络`

导入TensorFlow网络作为与兼容的图层图`dlnetwork`

`模型文件夹`- - - - - -TensorFlow模型文件夹的名称
特征向量|字符串标量

`包装名称`- - - - - -自定义层包的名称
特征向量|字符串标量

`目标网络`- - - - - -深度学习工具箱网络的目标类型
`“达格网络”`（默认）|`“dlnetwork”`

`OutputLayerType`- - - - - -输出层类型
`“分类”`|`“回归”`|`“pixelclassification”`

`ImageInputSize`- - - - - -输入图像大小
两个或三个数值的向量

`详细的`- - - - - -用于显示导入进度信息的指示器
`符合事实的`或`1`（默认）|`假`或`0`

`lgraph`——网络体系结构
`LayerGraph`对象