importONNXFunction
描述
参数个数= importONNXFunction (modelfile，NetworkFunctionName）modelfile并返回ONNXParameters对象(参数个数)，其中包含网络参数。函数还创建了一个模型函数，其名称为NetworkFunctionName其中包含了网络架构。有关网络功能的详细信息，请参见导入ONNX模型函数．
使用ONNXParameters对象和NetworkFunctionName模型函数执行常见的深度学习任务，如图像和序列数据分类、迁移学习、目标检测和图像分割。importONNXFunction方法在无法导入网络时使用importONNXNetwork函数(例如，importONNXFunction可以导入YOLOv3)或者如果您想定义自己的自定义训练循环(有关详细信息，请参阅使用自定义训练循环训练网络)．
此函数需要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，则该函数将提供下载链接。
例子
导入ONNX Network作为函数
导入ONNX网络作为函数。您可以将导入的模型函数用于深度学习任务，例如预测和迁移学习。
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你可以进入importONNXFunction在命令行检查是否安装了支持包。金宝app如果没有安装，则该函数将在Add-On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．
指定要导入的文件shufflenet使用ONNX模型动物园的操作符集9。shufflenet是一种卷积神经网络，它是在ImageNet数据库中的图像上训练的。
modelfile =“shufflenet - 9. onnx”；
将网络作为函数导入，以生成可以用于深度学习任务的模型函数。
params = importONNXFunction“shufflenetFcn”）
函数中包含导入的ONNX网络架构，保存到文件shufflenetFcn.m中。要了解如何使用此函数，输入:help shufflenetFcn。
params = ONNXParameters with properties: Learnables: [1x1 struct] Nonlearnables: [1x1 struct] State: [1x1 struct] NumDimensions: [1x1 struct] NetworkFunctionName: 'shufflenetFcn'
importONNXFunction返回ONNXParameters对象参数个数，其中包含网络参数，以及模型函数shufflnetFcn，其中包含网络架构。importONNXFunction节省了shufflenetFcn在当前文件夹中。您可以打开模型功能，使用，查看或编辑网络架构打开shufflenetFcn．
ONNX模型格式的深度学习工具箱转换器还提供importONNXNetwork而且importONNXLayers函数，您可以使用它来导入预训练的ONNX网络。有关导入函数最适合不同场景的信息，请参见选择Function导入ONNX预训练网络．
使用导入的ONNX函数预测
将ONNX网络作为函数导入，使用预训练的网络预测输入图像的类标签。
指定要导入的文件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”；
将预先训练好的ONNX网络作为函数导入，使用importONNXFunction，它返回ONNXParameters对象参数个数．包含网络参数。该函数还在包含网络架构的当前文件夹中创建一个新的模型函数。指定模型函数的名称为shufflenetFcn．
params = importONNXFunction“shufflenetFcn”）;
已将导入的ONNX网络函数保存到文件“shufflenetFcn.m”中。要了解如何使用此函数，输入:help shufflenetFcn。
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均值，再除以训练图像的标准差，对图像进行归一化。
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)
导入类名squeezenet，它也是用ImageNet数据库中的图像进行训练的。
网=挤压网;ClassNames = net.Layers(end).ClassNames;
通过指定要分类的图像来计算类概率我和ONNXParameters对象参数个数作为模型函数的输入参数shufflenetFcn．
scores = shufflenetFcn(I,params);
找出概率最高的类索引。显示输入图像的预测类别和相应的分类分数。
indMax = find(scores==max(scores));类名(indMax)
ans =1×1单元格数组{“孔雀”}
scoreMax = scores(indMax)
scoreMax = 0.7517
使用自定义训练循环训练导入ONNX函数
导入squeezenet卷积神经网络作为一个函数，并通过迁移学习对预训练的网络进行微调，对新的图像集合进行分类。
这个例子使用了几个helper函数。要查看这些函数的代码，请参见辅助函数．
解压缩并将新映像加载为映像数据存储。imageDatastore根据文件夹名称自动标记图像，并将数据存储为ImageDatastore对象。图像数据存储使您能够存储大量图像数据，包括不适合内存的数据，并在卷积神经网络训练期间有效地读取批量图像。指定小批大小。
解压缩(“MerchData.zip”）;miniBatchSize = 8;imds = imageDatastore(“MerchData”，.．.IncludeSubfolders = true,.．.LabelSource =“foldernames”，.．.ReadSize = miniBatchSize);
这个数据集很小，包含75张训练图像。显示一些示例图像。
numImages = nummel (imds.Labels);idx = randperm(numImages,16);数字为i = 1:16 subplot(4,4,i) i = readimage(imds,idx(i));imshow(我)结束
提取训练集，对分类标签进行单热编码。
XTrain = readall(imds);XTrain = single(cat(4,XTrain{:}));YTrain_categ = categorical(imds.Labels);YTrain = onehotencode(YTrain_categ,2)';
确定数据中的类数量。
classes = categories(YTrain_categ);numClasses = numel(类)
numClasses = 5
squeezenet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。
导入预训练的squeezenet网络是一种功能。
挤压onnx () params = importONNXFunction()“squeezenet.onnx”，“squeezenetFcn”）
包含导入的ONNX网络架构的函数保存到文件squeezenetFcn.m。要了解如何使用此函数，请键入:help squeezenetFcn。
params = ONNXParameters with properties: Learnables: [1×1 struct] Nonlearnables: [1×1 struct] State: [1×1 struct] NumDimensions: [1×1 struct] NetworkFunctionName: 'squeezenetFcn'
参数个数是一个ONNXParameters对象，该对象包含网络参数。squeezenetFcn是包含网络体系结构的模型函数。importONNXFunction节省了squeezenetFcn在当前文件夹中。
计算新训练集上预训练网络的分类准确率。
accuracyBeforeTraining = getNetworkAccuracy(XTrain,YTrain,params);流(“%。2f accuracy before transfer learning\n", accuracyBeforeTraining);
迁移学习前0.01精度
精度很低。
通过输入显示网络的可学习参数参数个数。可学的．这些参数，例如权重(W)和偏差(B)的卷积和全连接层，在训练过程中由网络更新。不可学习参数在训练过程中保持不变。
为1000个类配置预训练网络的最后两个可学习参数。
conv10_W: [1×1×512×1000 dlarray]
conv10_B: [1000×1 dlarray]
的参数conv10_W而且conv10_B必须对新的分类问题进行微调。通过初始化参数，将参数转换为五个类。
params.Learnables。conv10_W= rand(1,1,512,5); params.Learnables.conv10_B = rand(5,1);
冻结网络的所有参数，将它们转换为不可学习的参数。因为你不需要计算冻结层的梯度，冻结许多初始层的权重可以显著加快网络训练。
params = freezeParameters(参数，“所有”）;
解冻网络的最后两个参数，将它们转换为可学习的参数。
params = unfreezeParameters(“conv10_W”）;params = unfreezeParameters(“conv10_B”）;
网络已准备好进行训练。指定培训选项。
速度= [];numEpochs = 5;miniBatchSize = 16;initialLearnRate = 0.01;动量= 0.9;衰减= 0.01;
计算训练进度监控器的总迭代次数。
numObservations = size(YTrain,2);numIterationsPerEpoch = floor(numObservations./miniBatchSize);numIterations = nummepochs *numIterationsPerEpoch;
初始化TrainingProgressMonitor对象。因为计时器在创建监视器对象时开始，所以请确保在训练循环之后立即创建对象。
monitor = trainingProgressMonitor(指标=“损失”信息=“时代”包含=“迭代”）;
培训网络。
Epoch = 0;迭代= 0;executionEnvironment =“cpu”；%更改为“gpu”，在gpu上训练。%遍历epoch。而epoch < numEpochs && ~monitor。停止epoch = epoch + 1;% Shuffle数据。idx = randperm(numObservations);XTrain = XTrain(:，:，:，idx);YTrain = YTrain(:，idx);在小批上循环。I = 0;而i < numIterationsPerEpoch && ~monitor。Stop i = i + 1;迭代=迭代+ 1;读取小批数据。idx = (i-1)*miniBatchSize+1:i*miniBatchSize;X = XTrain(:，:，:，idx);Y = YTrain(:，idx);如果在GPU上训练，则将数据转换为gpuArray。如果(executionEnvironment = =“汽车”&& canUseGPU) || executionEnvironment ==“图形”X = gpuArray(X);结束使用dlfeval和% modelGradients函数。[gradients,loss,state] = dlfeval(@modelGradients,X,Y,params);参数个数。状态=状态;确定基于时间的衰减学习率计划的学习率。learnRate = initialLearnRate/(1 +衰减*迭代);使用SGDM优化器更新网络参数。(参数。Learnables,velocity] = sgdmupdate(params.Learnables,gradients,velocity);更新培训进度监视器。recordMetrics(监控、迭代损失=损失);updateInfo(监视、时代=时代);班长。进度= 100 * iteration/numIterations;结束结束
计算网络经过微调后的分类精度。
accuracyAfterTraining = getNetworkAccuracy(XTrain,YTrain,params);流(“%。2f accuracy after transfer learning\n", accuracyAfterTraining);
迁移学习后的准确率为1.00
辅助函数
本节提供本例中使用的helper函数的代码。
的getNetworkAccuracy函数通过计算分类精度来评估网络性能。
函数(X,Y,onnxParams) N = size(X,4);Ypred = squeezenetFcn(X,onnxParams,Training=false);[~，YIdx] = max(Y，[]，1);[~，YpredIdx] = max(Ypred，[]，1);numIncorrect = sum(abs(YIdx-YpredIdx) > 0);1 - numIncorrect/N;结束
的modelGradients函数计算损失和梯度。
函数[grad, loss, state] = modelGradients(X,Y,onnxParams) [Y, state] = squeezenetFcn(X,onnxParams,Training=true);loss = crossentropy(y, y, DataFormat=“CB”）;grad = dlgradient(loss,onnxParams.Learnables);结束
的squeezenetONNX函数的ONNX模型squeezenet网络。
函数squeezenetONNX () exportONNXNetwork (squeezenet,“squeezenet.onnx”）;结束
使用导入的ONNX函数进行序列分类
导入一个ONNX长短期记忆(LSTM)网络作为函数，利用预先训练好的网络对序列数据进行分类。LSTM网络使您能够将序列数据输入到网络中，并基于序列数据的单个时间步长进行预测。
本例使用helper函数preparePermutationVector．要查看此函数的代码，请参见Helper函数．
lstmNet有一个类似于LSTM网络的架构使用深度学习的序列分类．lstmNet被训练来识别说话人，给定时间序列数据，代表连续说出两个日语元音。训练数据包含9位演讲者的时间序列数据。每个序列有12个特征，长度不同。
指定lstmNet作为模型文件。
modelfile =“lstmNet.onnx”；
将预先训练好的ONNX网络作为函数导入，使用importONNXFunction，它返回ONNXParameters对象参数个数包含网络参数。该函数还在包含网络架构的当前文件夹中创建一个新的模型函数。指定模型函数的名称为lstmnetFcn．
params = importONNXFunction“lstmnetFcn”）;
已将包含导入ONNX网络的函数保存到“lstmnetFcn.m”文件中。输入help lstmnetFcn可以了解如何使用该函数。
加载日语元音测试数据。XTest是包含370个12维且长度不等的序列的单元格数组。欧美是标签“1”，“2”，…“9”，对应9个说话者。
[XTest,YTest] =日本evowelstestdata;
lstmNet使用具有相似长度序列的小批量进行训练。要以同样的方式组织测试数据，请按序列长度对测试数据进行排序。
numObservationsTest = numel(XTest);为i=1:numObservationsTest sequence = XTest{i};sequenceLengthsTest(i) = size(sequence,2);结束[sequenceLengthsTest,idx] = sort(sequenceLengthsTest);XTest = XTest(idx);YTest = YTest(idx);
使用preparePermutationVector计算排列向量inputPerm，将输入序列数据的维序排列为导入的LSTM网络输入的维序。你可以打字帮助lstmnetFcn查看网络输入的维度顺序SEQUENCEINPUT．
inputPerm = preparePermutationVector([“FeaturesLength”，“SequenceLength”，“BatchSize”),.．.［“SequenceLength”，“BatchSize”，“FeaturesLength”]);
通过指定要分类的序列数据来计算类概率XTest和ONNXParameters对象参数个数作为模型函数的输入参数lstmnetFcn．通过分配数值向量自定义输入维度顺序inputPerm到name-value参数“InputDataPermutation”．返回分数在维序上对网络输出进行赋值“没有”到name-value参数“OutputDataPermutation”．
为i = 1:length(XTest) scores = lstmnetFcn(XTest{i}，params，“InputDataPermutation”inputPerm,“OutputDataPermutation”，“没有”）;YPred(i) = find(scores==max(scores));结束YPred = category (YPred');
计算预测的分类精度。
acc = sum(YPred == YTest)./ nummel (YTest)
Acc = 0.9514
Helper函数
介绍helper函数的代码preparePermutationVector本例中使用。
的preparePermutationVector函数返回一个排列向量烫，它将排列中的维度顺序fromDimOrder到尺寸排序toDimOrder．您可以指定输入参数fromDimOrder而且toDimOrder如字符向量、字符串标量、字符串数组、字符向量的单元格数组或数值向量。两个参数必须具有相同的类型和相同的唯一元素。例如，如果fromDimOrder是字符向量“hwcn”，toDimOrder可以是字符向量吗“nchw”(h，w,c分别对应图像的高度、宽度和通道数，和n是观测数)。
函数perm = preparePermutationVector(fromDimOrder, toDimOrder)检查fromDimOrder和toDimOrder是否都是向量。如果~isvector(fromDimOrder) || ~isvector(toDimOrder) error(message(“nnet_cnn_onnx: onnx: FPVtypes”));结束%将fromDimOrder和toDimOrder转换为适当的类型。如果isstring(fromDimOrder) && isscalar(fromDimOrder) fromDimOrder = char(fromDimOrder);结束如果isstring(toDimOrder) && isscalar(toDimOrder) toDimOrder = char(toDimOrder);结束检查fromDimOrder和toDimOrder是否有唯一的元素。[fromSorted, ifrom] = unique(fromDimOrder);[toSorted， ~， iToInv] = unique(toDimOrder);如果numel(fromSorted) ~= numel(fromDimOrder) error(message(“nnet_cnn_onnx: onnx: FPVfromunique”));结束如果数字(toDimOrder) ~=数字(toDimOrder)错误(message(“nnet_cnn_onnx: onnx: FPVtounique”));结束检查fromDimOrder和toDimOrder是否有相同数量的元素。如果~isequal(fromSorted, toSorted) error(message(“nnet_cnn_onnx: onnx: FPVsame”));结束计算排列向量。perm = ifrom(iToInv);Perm = Perm (:)';结束
输入参数
输出参数
限制
importONNXFunction金宝app支持以下ONNX版本:ONNX中间表示版本6
ONNX操作符集7到13
更多关于
提示
选择功能
importONNXFunction当你不能导入预训练的ONNX网络时，使用importONNXNetwork．如果您想为预训练的网络生成代码，请使用importONNXLayers．使用查找并替换生成的占位符层findPlaceholderLayers而且replaceLayer,分别。然后,用assembleNetwork返回DAGNetwork对象。您可以为训练有素的对象生成代码DAGNetwork．有关最适合不同场景的导入函数的详细信息，请参见选择Function导入ONNX预训练网络．
版本历史
R2020b中介绍
您也可以从以下列表中选择一个网站: