PlaceholderLayer
层替换一个不支持的Keras或金宝appONNX层，或不支持的功能金宝appfunctionToLayerGraph
描述
PlaceholderLayer是一层importKerasLayers和importONNXLayers插入到层阵列或层图中，以取代不支持的Keras或ONNX™层。金宝app它也可以表示不支持的功能金宝appfunctionToLayerGraph．
创建
从具有深度学习工具箱™不支持的层的Keras或ONNX网络导入层创建金宝appPlaceholderLayer对象。同样，当你创建一个层图使用functionToLayerGraph，不支持金宝app的功能将导致PlaceholderLayer对象。
属性
例子
查找和探索占位符图层
指定导入层的Keras网络文件。
modelfile =“digitsDAGnetwithnoise.h5”；
导入网络架构。该网络包括一些深度学习工具箱不支持的层类型。金宝app的importKerasLayers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 (modelfile)
警告:无法导入一些Keras层，因为它们不被深度学习工具箱支持。金宝app它们已经被占位符层所取代。要查找这些层，调用返回对象上的函数findPlaceholderLayers。
lgraph = LayerGraph with properties: Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
显示导入的网络层。两个占位符层替换Keras网络中的高斯噪声层。
lgraph。层
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 x7旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4 conv2d_2的卷积20 3 x3的隆起与步幅[1]和填充“相同”5“conv2d_2_relu”ReLU ReLU 6“gaussian_noise_1”占位符层占位符的GaussianNoise Keras 7层gaussian_noise_2的占位符层占位符的GaussianNoise Keras层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
使用。查找占位符层findPlaceholderLayers．输出参数包含两个占位符层importKerasLayers插入到Keras网络的高斯噪声层。
占位符= findPlaceholderLayers (lgraph)
PLACEHOLDER = 2x1 PLACEHOLDER LAYER: 1' gaussian_noise_1' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER
为每个占位符层指定一个名称。
gaussian1 =占位符(1);gaussian2 =占位符(2);
显示每个占位符层的配置。
gaussian1。KerasConfiguration
ans =结构体字段:可训练:1 name: 'gaussian_noise_1' stddev: 1.5000
gaussian2。KerasConfiguration
ans =结构体字段:可训练:1 name: 'gaussian_noise_2' stddev: 0.7000
从预先训练的Keras层组装网络
这个例子展示了如何从预先训练的Keras网络导入层，用自定义层替换不支持的层，并将层组装到一个网络中准备进行预测。金宝app
进口Keras网络
从Keras网络模型导入层。网络在“digitsDAGnetwithnoise.h5”分类图像的数字。
文件名=“digitsDAGnetwithnoise.h5”；lgraph = importKerasLayers(文件名,“ImportWeights”,真正的);
警告:无法导入一些Keras层，因为它们不被深度学习工具箱支持。金宝app它们已经被占位符层所取代。要查找这些层，调用返回对象上的函数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函数显示一个警告并将不支持的层替换为占位符层。金宝app
使用情节．
图绘制(lgraph)标题(“进口网络”）
替换占位符层
要替换占位符层，首先确定要替换的层的名称。使用。查找占位符层findPlaceholderLayers．
placeholderLayers = findPlaceholderLayers (lgraph)
placeholderLayers = 2x1 PlaceholderLayer array with layers: 1' gaussian_noise_1' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER
显示这些层的Keras配置。
placeholderLayers。KerasConfiguration
ans =结构体字段:可训练:1 name: 'gaussian_noise_1' stddev: 1.5000
ans =结构体字段:可训练:1 name: 'gaussian_noise_2' stddev: 0.7000
定义一个自定义高斯噪声层。要创建这个图层，保存文件gaussianNoiseLayer.m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 = gaussianNoiseLayer (1.5,“new_gaussian_noise_1”）;gnLayer2 = gaussianNoiseLayer (0.7,“new_gaussian_noise_2”）;
使用自定义层替换占位符层replaceLayer．
lgraph = replaceLayer (lgraph,“gaussian_noise_1”, gnLayer1);lgraph = replaceLayer (lgraph,“gaussian_noise_2”, gnLayer2);
使用绘制更新的层图情节．
图绘制(lgraph)标题(“替换图层的网络”）
指定类名
如果导入的分类层不包含类，则必须在预测之前指定这些类。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。
的索引，查找分类层的索引层层图的性质。
lgraph。层
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
分类层有名称“ClassificationLayer_activation_1”．查看分类层并检查类财产。
粘土= lgraph.Layers(结束)
cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'
因为类属性为“汽车”，则必须手动指定类。将类设置为0，1、……9，然后用新的分类层替换导入的分类层。
粘土。类=字符串(0:9)
class: [0 1 2 3 4 5 6 7 8 9] ClassWeights: 'none' OutputSize: 10 Hyperparameters LossFunction: 'crossentropyex'
lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);
组装网络
使用assembleNetwork．函数返回DAGNetwork准备用于预测的对象。
净= assembleNetwork (lgraph)
net = DAGNetwork with properties: Layers: [15x1 net.cnn.layer. layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
你也可以从以下列表中选择一个网站:
