主要内容

assembleNetwork

从pretrained层组装深入学习网络

所有的页面崩溃

语法

assembledNet = assembleNetwork(层)

描述

assembleNetwork从层没有创建深度学习网络培训。

使用assembleNetwork以下任务:

  • 一层一层数组或图转换为网络准备好预测。

  • 从进口组装网络层。

  • 修改的重量训练网络。

从头来训练网络,使用trainNetwork。

例子

assembledNet= assembleNetwork (层)组装一层一层数组或图表层成一个深入学习网络可以用来预测。

例子

全部折叠

这个示例使用:

打开生活的脚本

进口的层pretrained Keras网络取代不支持自定义层的层,和组装层准备网络预测。金宝app

进口Keras网络

导入从Keras层网络模型。网络在“digitsDAGnetwithnoise.h5”分类的图像数字。

文件名=“digitsDAGnetwithnoise.h5”;lgraph = importKerasLayers(文件名,“ImportWeights”,真正的);
警告:无法导入一些Keras层,因为他们是不支持的深度学习工具。金宝app他们已经被占位符层。为了找到这些层,调用这个函数findPlaceholderLayers返回的对象。

Keras网络包含了一些层所不支持的深度学习工具箱™。金宝app的importKerasLayers函数显示一个警告,取代了支持层,一层一层的占位符。金宝app

替换占位符层

替换占位符层,首先识别层的名称来代替。发现使用占位符层findPlaceholderLayers和展示他们的Keras配置。

placeholderLayers = findPlaceholderLayers (lgraph);placeholderLayers.KerasConfiguration
ans =结构体字段:可训练的:1名称:“gaussian_noise_1”stddev: 1.5000
ans =结构体字段:可训练的:1名称:“gaussian_noise_2”stddev: 0.7000

定义一个自定义高斯噪声层通过保存该文件gaussianNoiseLayer.m在当前文件夹。然后,创建两个高斯噪声层与进口Keras层相同的配置。

gnLayer1 = gaussianNoiseLayer (1.5,“new_gaussian_noise_1”);gnLayer2 = gaussianNoiseLayer (0.7,“new_gaussian_noise_2”);

用自定义层使用替换占位符层replaceLayer。

lgraph = replaceLayer (lgraph,“gaussian_noise_1”,gnLayer1);lgraph = replaceLayer (lgraph,“gaussian_noise_2”,gnLayer2);

指定类名

进口分类层不包含的类,因此您必须指定这些之前装配网络。如果你不指定的类,然后软件自动设置类1,2、……N,在那里N类的数量。

分类层的名字“ClassificationLayer_activation_1”。设置类0,1、……9,然后用新的代替进口分类层。

粘土= lgraph.Layers(结束);粘土。类=字符串(0:9);lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);

组装网络

组装层图使用assembleNetwork。函数返回一个DAGNetwork为预测对象,已经可以使用了。

净= assembleNetwork (lgraph)
网= DAGNetwork属性:层:x1 nnet.cnn.layer.Layer[15]连接:[15 x2表]InputNames: {“input_1”} OutputNames: {“ClassificationLayer_activation_1”}

输入参数

全部折叠

网络层,指定为一个层数组或一个LayerGraph对象。

创建一个网络层连接顺序,您可以使用一个层数组作为输入参数。在这种情况下,返回的是一个网络SeriesNetwork对象。

有向无环图(DAG)网络具有复杂结构的层次可以有多个输入和输出。创建一个DAG网络,指定的网络体系结构LayerGraph对象,然后使用层图作为输入参数assembleNetwork。

的assembleNetwork函数支持网络最多一金宝app个序列输入层。

一个内置的图层列表,看到深度学习层的列表。

输出参数

全部折叠

组装准备预测网络,作为一个返回SeriesNetwork对象或一个DAGNetwork对象。返回的依赖于网络层输入参数:

  • 如果层是一个层数组,然后assembledNet是一个SeriesNetwork对象。

  • 如果层是一个LayerGraph对象,然后assembledNet是一个DAGNetwork对象。

版本历史

介绍了R2018b

另请参阅

|||||

主题