主要内容

findPlaceholderLayers

在从Keras或导入的网络体系结构中查找占位符层ONNX

折叠所有页面

语法

占位符层=findPlaceholderLayers（导入层）
[placeholderLayers,指数]= findPlaceholderLayers (importedLayers)

描述

实例

placeholderLayers= findPlaceholderLayers (导入层)返回网络体系结构中存在的所有占位符层导入层由此进口importKerasLayers或importONNXLayers函数，或由functiontolayergraph.函数。占位符层是这些函数插入的层，以代替深度学习工具箱™不支持的层。金宝app

要与导入的网络一起使用，此函数需要TensorFlow的深度学习工具箱转换器™ 模型金宝app支持包或用于ONNX™模型格式的深度学习工具箱转换器金宝app支持包。

[placeholderLayers,指数) = findPlaceholderLayers (导入层)还返回占位符图层的索引。

例子

全部收缩

打开生活的脚本

指定要从中导入图层的Keras网络文件。

modelfile =“digitsDAGnetwithnoise.h5”；

导入网络体系结构。该网络包含一些深度学习工具箱不支持的层类型金宝appimportKerasLayers函数将每个不支持的层替换为占位符层并返回警告消息。金宝app

lgraph=importKerasLayers（模型文件）
警告：无法导入某些keras图层，因为深度学习工具箱不支持它们。金宝app他们被占位层层所取代。要查找这些图层，请在返回的对象上调用findplaceholderlayers。
lgraph=LayerGraph，属性为：层：[15x1 nnet.cnn.layer.layer]连接：[15x2表]输入名称：{'input_1'}输出名称：{'ClassificationLayer_activation_1'}

显示网络的导入图层。两个占位符层替换Keras网络中的高斯噪声层。

lgraph.Layers.
ANS = 15x1层阵列具有图层：1'输入_1'图像输入28x28x1图像2'conv2d_1'卷积20 7x7卷曲与步幅[1 1]和填充'相同'3'CONV2D_1_RELU'CRECRUER 4'CONC2D_2'卷积20 3x3卷积迈进[1 1]和填充'相同'5'CONV2D_2_REL'CREU RELU 6'GAUSSIAN_NOISE_1'PLANHEEL层占位符为“高斯菜”KERAS第7层'GASSIANNOISE'KERAS LAYS 8'MAX_POOLING2D_1'MAX池池占汇集2x2 max汇集步幅[2 2]和填充'相同'9'MAX_POOLING2D_2'最大汇集2x2 MAX汇集步进[2 2]并填充'与'10'扁平_1'keras平坦扁平激活为1-D假设C样式（行-major）订单11'Flatten_2'Keras平坦扁平激活成1-D假设C型（行 - 主要）订单12'Concatenate_1'深度连接深度连接2输入13'dense_1'完全连接的10完全连接的10个完全连接的层14'activation_1'softmax softmax 15'sclusificationlayer_Activation_1'分类输出crossentropyex

使用查找占位符图层findPlaceholderLayers．输出参数包含两个占位符层importKerasLayers插入Keras网络的高斯噪声层。

占位符=findPlaceholderLayers（lgraph）
占位符=2x1占位符图层阵列，带图层：1“高斯噪声”占位符图层占位符用于“高斯噪声”Keras图层2“高斯噪声”Keras图层占位符图层占位符用于“高斯噪声”Keras图层

指定每个占位层图层的名称。

Gaussian1 =占位符（1）;高斯2=占位符（2）;

显示每个占位符图层的配置。

gaussian1.Kerasco配置
ANS =.结构与字段：可培训：1名：“高斯噪声”标准差：1.5000
gaussian2。KerasConfiguration
ANS =.结构与字段：培训：1名称：'Gaussian_Noise_2'STDDEV：0.7000

此示例使用：

打开生活的脚本

此示例演示如何从预训练的Keras网络导入层，将不支持的层替换为自定义层，并将层组装到网络中以备预测。金宝app

导入Keras网络

从Keras网络模型导入图层。中的网络“digitsDAGnetwithnoise.h5”对数字图像进行分类。

文件名=“digitsDAGnetwithnoise.h5”；lgraph = importKerasLayers(文件名,'进口重量'，对）；
警告：无法导入某些keras图层，因为深度学习工具箱不支持它们。金宝app他们被占位层层所取代。要查找这些图层，请在返回的对象上调用findplaceholderlayers。

Keras网络包含一些深度学习工具箱不支持的层。金宝app的importKerasLayers函数显示警告，并用占位符图层替换不支持的图层。金宝app

使用以下命令绘制图层图：情节．

图情节（LGROP）标题（“进口网络”)

图中包含一个轴对象。标题为“导入网络”的轴对象包含一个graphplot类型的对象。

替换占位符图层

要替换占位符层，请首先识别要替换的图层的名称。使用查找占位符图层findPlaceholderLayers．

占位符层=findPlaceholderLayers（lgraph）
PlaceHolderLayers = 2x1 PlacewherLayer阵列与图层：1'Gaussian_noise_1'占位符层占位符号为“高斯登N的Keras第2层”Gaussian_Noise_2“占位符'Gaussiannoise'keras层

显示这些图层的Keras配置。

placeholder.KerasConfiguration
ANS =.结构与字段：可培训：1名：“高斯噪声”标准差：1.5000
ANS =.结构与字段：培训：1名称：'Gaussian_Noise_2'STDDEV：0.7000

定义自定义高斯噪波层。要创建此图层，请保存文件高斯非线性在当前文件夹中。然后，创建两个高斯噪声层，配置与导入的Keras层相同。

gnLayer1=高斯各向异性层（1.5，“新的高斯噪声”);gnLayer2 = gaussianNoiseLayer (0.7,“新的高斯噪声”);

使用自定义图层替换占位符图层替换层．

lgraph = replaceLayer (lgraph,“高斯噪声1”，gn1）；lgraph=替换层（lgraph，“高斯噪声”, gnLayer2);

使用更新的图层图情节．

图情节（LGROP）标题（“已替换层的网络”)

图中包含一个轴对象。带有替换图层的标题网络的轴对象包含graphplot类型的对象。

指定类名称

如果导入的分类层不包含类，则必须在预测之前指定这些。如果您未指定类，则软件会自动将类设置为1.,2., ...,N， 在哪里N是班级的数量。

通过查看层图层图的属性。

lgraph.Layers.
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

分类层的名称为'classificationlayer_activation_1'．查看分类层并检查班级所有物

Clayer = Lapraph.Layers（END）
cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'

因为班级属性为“自动”，则必须手动指定类。将类设置为0,1., ...,9，然后用新的替换导入的分类层。

粘土。类=字符串(0:9)
Clayer = ClassificationOutputLayer具有属性：名称：'ClassificationLayer_Activation_1'类：[0 1 2 3 4 5 6 7 8 9] Classweights：'无'输出：10 HyperParameters Lockfunction：'CrossentRopyex'
lgraph = replaceLayer (lgraph,'classificationlayer_activation_1'，克莱尔）；

装配网络

使用assembleNetwork．函数返回达格网络准备好用于预测的对象。

net=汇编网络（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'}

输入参数

全部收缩

从Keras或ONNX导入或由创建的网络体系结构functiontolayergraph.，指定为层数组或分层图对象。

输出参数

全部收缩

网络架构中的所有占位符图层，作为一系列返回PlaceholderLayer物体。

占位符层的索引，作为向量返回。

  • 如果导入层是一个图层数组吗指数中占位符图层的索引是否存在导入层．

  • 如果导入层是一个分层图对象,然后指数中占位符图层的索引是否存在导入图层。图层．

如果从中删除图层或向中添加图层层数组或分层图对象，然后对象中的其他层的索引可以改变。你必须使用findPlaceholderLayers再次找到其余占位符层的更新索引。

提示

  • 如果已安装张量流模型的深度学习工具箱转换器和findPlaceholderLayers无法在导入ONNX网络时找到创建的占位符图层，然后尝试更新张量流模型的深度学习工具箱转换器金宝app在附加资源管理器中支持包。

另见

||||||

话题

在R2017b中引入

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书