importONNXNetwork
进口pretrainedONNX网络
描述
进口pretrained ONNX™(打开)神经网络交换网络的文件净
= importONNXNetwork (modelfile
)modelfile
。函数的作用是:返回网络净
作为一个DAGNetwork
或dlnetwork
对象。
importONNXNetwork
要求深度学习工具箱™ONNX模型格式转换器金宝app支持包。如果这种支持包没金宝app有安装importONNXNetwork
提供一个下载链接。
请注意
默认情况下,importONNXNetwork
试图生成一个自定义层当软件不能ONNX经营者转化为一个等价的内置MATLAB®层。的运营商的软件支持转换,明白了金宝appONNX运营商支持转换成内置M金宝appATLAB层。
importONNXNetwork
保存生成的自定义层的包+
。modelfile
importONNXNetwork
并不会自动生成一个自定义层的每个ONNX运营商不支持转换成一个内置的MATLAB层。金宝app如何处理不支持层的更多信息,见金宝app选择功能。
例子
下载并安装深度学习工具箱ONNX模型格式转换器
下载并安装深度学习工具箱转换器ONNX模型格式支持包。金宝app
类型importONNXNetwork
在命令行中。
importONNXNetwork
如果深度学习工具箱转换器ONNX模型格式没有安装,那么函数提供了一个链接到需要在插件浏览器支持包。金宝app安装支持包,单击该链接,然后单金宝app击安装。检查安装成功导入网络的模型文件“simplenet.onnx”
在命令行中。如果支持包安装金宝app,那么函数返回DAGNetwork
对象。
modelfile =“simplenet.onnx”;净= importONNXNetwork (modelfile)
网= DAGNetwork属性:层:[9×1 nnet.cnn.layer.Layer]连接:[8×2表]InputNames: {“imageinput”} OutputNames: {“ClassificationLayer_softmax1002”}
绘制网络体系结构。
情节(净)
进口ONNX网络DAGNetwork
导入一个pretrained ONNX网络作为一个DAGNetwork
对象,并使用进口网络分类图像。
生成一个ONNX模型squeezenet
卷积神经网络。
squeezeNet = squeezeNet;exportONNXNetwork (squeezeNet“squeezeNet.onnx”);
指定类名。
一会= squeezeNet.Layers . class(结束);
导入pretrainedsqueezeNet.onnx
模型,指定的类。默认情况下,importONNXNetwork
网络作为一个进口DAGNetwork
对象。
网= importONNXNetwork (“squeezeNet.onnx”、类=一会)
网= DAGNetwork属性:层:[70×1 nnet.cnn.layer.Layer]连接:[77×2表]InputNames:{“数据”}OutputNames: {“ClassificationLayer_prob”}
分析了进口网络。
analyzeNetwork(净)
读你想要的图像分类和显示图像的大小。384————512像素图像和有三个颜色通道(RGB)。
我= imread (“peppers.png”);大小(我)
ans =1×3384 512 3
调整图像的输入规模网络。显示图像。
I = imresize(我,(227 227));imshow(我)
使用进口网络分类的图像。
标签=分类(净,我)
标签=分类甜椒
进口ONNX网络dlnetwork
导入一个pretrained ONNX网络作为一个dlnetwork
对象,并使用进口网络分类图像。
生成一个ONNX模型squeezenet
卷积神经网络。
squeezeNet = squeezeNet;exportONNXNetwork (squeezeNet“squeezeNet.onnx”);
指定类名。
一会= squeezeNet.Layers . class(结束);
导入pretrainedsqueezeNet.onnx
模型作为dlnetwork
对象。
网= importONNXNetwork (“squeezeNet.onnx”TargetNetwork =“dlnetwork”)
网= dlnetwork属性:层:[70×1 nnet.cnn.layer.Layer]连接:[77×2表]可学的:[52×3表)状态:[0×3表]InputNames:{“数据”}OutputNames: {“probOutput”}初始化:1
读你想要的图像分类和显示图像的大小。384————512像素图像和有三个颜色通道(RGB)。
我= imread (“peppers.png”);大小(我)
ans =1×3384 512 3
调整图像的输入规模网络。显示图像。
I = imresize(我,(227 227));imshow(我)
将图像转换为一个dlarray
。格式的图像尺寸“SSCB”
(空间、空间、通道、批)。在这种情况下,批量大小是1,你可以忽略它(“SSC”
)。
I_dlarray = dlarray(单(我),“SSCB”);
样本图像进行分类,找到预测的标签。
概率=预测(净,I_dlarray);[~,标签]= max(概率);
显示分类的结果。
类名(标签)
ans =分类甜椒
进口ONNX网络自动生成自定义层
导入一个pretrained ONNX网络作为一个DAGNetwork
对象,并使用进口网络分类图像。进口网络包含ONNX运营商不支持转换成内置MATLAB层。金宝app软件自动生成自定义层当你进口这些操作符。
下面的例子使用了辅助函数findCustomLayers
。查看这个函数的代码,看看Helper函数。
指定模型文件导入shufflenet
从ONNX模型与经营者设置9动物园。shufflenet
是一个卷积神经网络,训练图像从ImageNet数据库超过一百万。因此,网络学习丰富广泛的图像特征表示。网络可以分类图像到1000年对象类别,如键盘,鼠标,铅笔,和许多动物。
modelfile =“shufflenet - 9. onnx”;
导入的类名squeezenet
,这也是训练图像从ImageNet数据库。
squeezeNet = squeezeNet;一会= squeezeNet.Layers .ClassNames(结束);
进口shufflenet
。默认情况下,importONNXNetwork
网络作为一个进口DAGNetwork
对象。如果进口网络包含ONNX运营商不支持转换成内置MATLAB层,金宝appimportONNXNetwork
可以自动生成自定义层代替这些操作符。importONNXNetwork
保存每个生成自定义一个单独的层。m
文件包+ shufflenet_9
在当前文件夹。通过使用名称-值参数指定包名PackageName
。
网= importONNXNetwork (modelfile,…类=一会PackageName =“shufflenet_9”)
网= DAGNetwork属性:层:[173×1 nnet.cnn.layer.Layer]连接:[188×2表]InputNames: {“gpu_0_data_0”} OutputNames: {“ClassificationLayer_gpu_0_softmax_1”}
找到自动生成自定义的指标层使用helper函数findCustomLayers
,并显示自定义层。
印第安纳州= findCustomLayers (net.Layers,' + shufflenet_9 ');net.Layers(印第安纳州)
ans = 16×1层与层:数组1 Reshape_To_ReshapeLayer1004 shufflenet_9。Reshape_To_ReshapeLayer1004 shufflenet_9。重塑_To_ReshapeLayer1004 2 'Reshape_To_ReshapeLayer1009' shufflenet_9.Reshape_To_ReshapeLayer1009 shufflenet_9.Reshape_To_ReshapeLayer1009 3 'Reshape_To_ReshapeLayer1014' shufflenet_9.Reshape_To_ReshapeLayer1014 shufflenet_9.Reshape_To_ReshapeLayer1014 4 'Reshape_To_ReshapeLayer1019' shufflenet_9.Reshape_To_ReshapeLayer1019 shufflenet_9.Reshape_To_ReshapeLayer1019 5 'Reshape_To_ReshapeLayer1024' shufflenet_9.Reshape_To_ReshapeLayer1024 shufflenet_9.Reshape_To_ReshapeLayer1024 6 'Reshape_To_ReshapeLayer1029' shufflenet_9.Reshape_To_ReshapeLayer1029 shufflenet_9.Reshape_To_ReshapeLayer1029 7 'Reshape_To_ReshapeLayer1034' shufflenet_9.Reshape_To_ReshapeLayer1034 shufflenet_9.Reshape_To_ReshapeLayer1034 8 'Reshape_To_ReshapeLayer1039' shufflenet_9.Reshape_To_ReshapeLayer1039 shufflenet_9.Reshape_To_ReshapeLayer1039 9 'Reshape_To_ReshapeLayer1044' shufflenet_9.Reshape_To_ReshapeLayer1044 shufflenet_9.Reshape_To_ReshapeLayer1044 10 'Reshape_To_ReshapeLayer1049' shufflenet_9.Reshape_To_ReshapeLayer1049 shufflenet_9.Reshape_To_ReshapeLayer1049 11 'Reshape_To_ReshapeLayer1054' shufflenet_9.Reshape_To_ReshapeLayer1054 shufflenet_9.Reshape_To_ReshapeLayer1054 12 'Reshape_To_ReshapeLayer1059' shufflenet_9.Reshape_To_ReshapeLayer1059 shufflenet_9.Reshape_To_ReshapeLayer1059 13 'Reshape_To_ReshapeLayer1064' shufflenet_9.Reshape_To_ReshapeLayer1064 shufflenet_9.Reshape_To_ReshapeLayer1064 14 'Reshape_To_ReshapeLayer1069' shufflenet_9.Reshape_To_ReshapeLayer1069 shufflenet_9.Reshape_To_ReshapeLayer1069 15 'Reshape_To_ReshapeLayer1074' shufflenet_9.Reshape_To_ReshapeLayer1074 shufflenet_9.Reshape_To_ReshapeLayer1074 16 'Reshape_To_ReshapeLayer1079' shufflenet_9.Reshape_To_ReshapeLayer1079 shufflenet_9.Reshape_To_ReshapeLayer1079
读你想要的图像分类和显示图像的大小。792————1056像素图像和有三个颜色通道(RGB)。
我= imread (“peacock.jpg”);大小(我)
ans =1×3792 1056 3
调整图像的输入规模网络。显示图像。
I = imresize(我,(224 224));imshow(我)
的输入shufflenet
需要进一步的预处理(详情,请参阅ShuffleNet ONNX模型动物园)。重新调节图像。标准化图像减去训练图像的均值和除以标准差的训练图像。
I =重新调节(0,1);meanIm = (0.485 0.456 0.406);stdIm = (0.229 0.224 0.225);我= (I -重塑(meanIm [1 1 3]))。/重塑(stdIm [1 1 3]);imshow(我)
使用进口网络分类的图像。
标签=分类(净,我)
标签=分类孔雀
Helper函数
本节提供的代码辅助功能findCustomLayers
在这个例子中使用。findCustomLayers
返回指数
自定义层importONNXNetwork
自动生成。
函数指数= findCustomLayers(层,PackageName) s = ([‘。’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) =我;结束结束结束结束
进口ONNX网络与多个输出
导入一个ONNX多重输出的网络DAGNetwork
对象。
指定ONNX模型文件和导入pretrained ONNX模型。默认情况下,importONNXNetwork
网络作为一个进口DAGNetwork
对象。
modelfile =“digitsMIMO.onnx”;净= importONNXNetwork (modelfile)
网= DAGNetwork属性:层:[19×1 nnet.cnn.layer.Layer]连接:[19×2表]InputNames:{“输入”}OutputNames: {“ClassificationLayer_sm_1”“RegressionLayer_fc_1_Flatten”}
网络有两个输出层:一个分类层(ClassificationLayer_sm_1
)对数字进行分类和回归层(RegressionLayer_fc_1_Flatten
)计算均方误差的角度预测数字。绘制网络体系结构。
情节(净)标题(“digitsMIMO网络体系结构”)
使用进口网络做出预测,使用预测
功能和设置ReturnCategorical
选项真正的
。
输入参数
modelfile
- - - - - -ONNX模型文件的名称
特征向量|字符串标量
包含网络ONNX模型文件的名称,指定为一个特征向量或字符串标量。在当前文件夹或文件必须在MATLAB上一个文件夹路径,或者你必须包括一个完整或相对路径文件。
例子:“cifarResNet.onnx”
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
例子:importONNXNetwork (modelfile TargetNetwork =“dagnetwork GenerateCustomLayers = true, PackageName =“CustomLayers”)
进口的网络modelfile
作为一个DAGNetwork
对象和保存自动生成自定义层的包+ CustomLayers
在当前文件夹。
GenerateCustomLayers
- - - - - -选择自定义层的一代
真正的
或1
(默认)|假
或0
选择自定义层生成、指定为一个数字或逻辑1
(真正的
)或0
(假
)。如果你设置GenerateCustomLayers
来真正的
,importONNXNetwork
试图生成一个自定义层当软件不能ONNX经营者转化为一个等价的内置MATLAB层。importONNXNetwork
保存每个生成自定义一个单独的层。m
文件中+
。查看或编辑自定义图层,打开相关PackageName
。m
文件。自定义层的更多信息,见深度学习自定义层。
例子:GenerateCustomLayers = false
TargetNetwork
- - - - - -深度学习工具箱网络的目标类型
“dagnetwork”
(默认)|“dlnetwork”
深度学习工具箱网络的目标类型,指定为“dagnetwork”
或“dlnetwork”
。这个函数importONNXNetwork
进口网络净
作为一个DAGNetwork
或dlnetwork
对象。
如果你导入网络
DAGNetwork
对象,净
必须包括输入和输出层ONNX指定的模型或您指定使用名称-值的参数InputDataFormats
,OutputDataFormats
,或OutputLayerType
。如果你导入网络
dlnetwork
对象,importONNXNetwork
附加一个CustomOutputLayer
在每个输出的分支净
,可能会附加一个CustomInputLayer
在一个输入分支的开始。函数附加一个CustomInputLayer
如果输入的数据格式或输入图像的大小是未知的。网络特殊信息这些层的数据格式,看到的属性CustomInputLayer
和CustomOutputLayer
对象。关于如何解释深度学习工具箱的信息输入和输出数据格式,看看张量ONNX输入和输出转化为内置MATLAB层。
例子:TargetNetwork = " dlnetwork "
InputDataFormats
- - - - - -网络输入的数据格式
特征向量|字符串标量|字符串数组
指定的网络输入数据格式作为特征向量,标量字符串或字符串数组。importONNXNetwork
试图解释从ONNX文件输入数据格式。名称-值参数InputDataFormats
是有用的,当importONNXNetwork
不能获得输入数据格式。
集InputDataFomats
的数据格式的订购ONNX输入张量。例如,如果您指定InputDataFormats
作为“BSSC”
导入的网络有一个imageInputLayer
输入。更多的信息importONNXNetwork
解释的数据格式ONNX输入张量和如何指定InputDataFormats
对于输入层不同深度学习工具箱,明白了张量ONNX输入和输出转化为内置MATLAB层。
如果你指定一个空的数据格式([]
或”“
),importONNXNetwork
自动对输入数据的格式。
例子:InputDataFormats = ' BSSC '
例子:InputDataFormats = " BSSC "
例子:InputDataFormats = [" bcs”、“”、“公元前”)
例子:InputDataFormats = {bcs,[],“公元前”}
数据类型:字符
|字符串
|细胞
OutputDataFormats
- - - - - -网络输出的数据格式
特征向量|字符串标量|字符串数组
网络的数据格式输出,指定为一个特征向量,标量字符串或字符串数组。importONNXNetwork
试图解释从ONNX文件数据格式的输出。名称-值参数OutputDataFormats
是有用的,当importONNXNetwork
不能得到输出数据格式。
集OutputDataFormats
的数据格式的订购ONNX张量的输出。例如,如果您指定OutputDataFormats
作为“公元前”
导入的网络有一个classificationLayer
输出。更多的信息importONNXNetwork
张量解释ONNX输出的数据格式以及如何指定OutputDataFormats
对不同深度学习工具箱输出层,明白了张量ONNX输入和输出转化为内置MATLAB层。
如果你指定一个空的数据格式([]
或”“
),importONNXNetwork
自动解释输出数据格式。
例子:公元前OutputDataFormats = ' '
例子:OutputDataFormats =“公元前”
例子:OutputDataFormats = [" bcs”、“”、“公元前”)
例子:OutputDataFormats = {bcs,[],“公元前”}
数据类型:字符
|字符串
|细胞
ImageInputSize
- - - - - -输入图像的大小为第一网络的输入
向量的两个或三个数值
输入图像的大小第一网络输入指定为一个向量的三个或四个数值对应(高度、宽度、渠道)
对二维图像和(高度、宽度、深度、渠道)
3 d图像。网络使用这些信息只有当ONNX模型modelfile
没有指定输入的大小。
例子:ImageInputSize = [28 28 1]
二维灰度输入图像
例子:ImageInputSize = [224 224 3]
对于一个二维彩色输入图像
例子:ImageInputSize = [28 28 36 3]
三维彩色输入图像
OutputLayerType
- - - - - -为第一网络输出层类型
“分类”
|“回归”
|“pixelclassification”
第一网络输出层类型,指定为“分类”
,“回归”
,或“pixelclassification”
。这个函数importONNXNetwork
附加一个ClassificationOutputLayer
,RegressionOutputLayer
,或pixelClassificationLayer
(计算机视觉工具箱)对象的导入的网络体系结构的第一个输出分支。附加一个pixelClassificationLayer
(计算机视觉工具箱)计算机视觉对象需要工具箱™。如果ONNX模型modelfile
指定输出层类型或您指定TargetNetwork
作为“dlnetwork”
,importONNXNetwork
忽略了名称-值参数OutputLayerType
。
例子:OutputLayerType = "回归"
类
- - - - - -类第一次网络输出层的输出
“汽车”
(默认)|分类向量|字符串数组|单元阵列的特征向量
类第一网络输出层的输出,指定为一个分类向量,字符串数组,单元阵列的特征向量,或“汽车”
。如果类
是“汽车”
,然后importONNXNetwork
设置类分类(1:N)
,在那里N
类的数量。如果您指定一个字符串数组或单元阵列的特征向量str
,然后importONNXNetwork
设置输出层的类分类(str, str)
。如果您指定TargetNetwork
作为“dlnetwork”
,importONNXNetwork
忽略了名称-值参数类
。
例子:类= {' 0 ',' 1 ',' 3 '}
例子:类=分类({‘狗’,‘猫’})
数据类型:字符
|分类
|字符串
|细胞
FoldConstants
- - - - - -常数合并优化
“深度”
(默认)|“浅”
|“没有”
常数合并优化,指定为“深度”
,“浅”
,或“没有”
。常数合并优化导入网络体系结构通过计算操作ONNX初始化(最初的常量值)在转换ONNX运营商当量内置MATLAB层。
如果ONNX网络包含运营商的软件不能转换为等价的内置MATLAB层(见ONNX运营商支持转换成内置M金宝appATLAB层),常数合并优化可以减少支持层。金宝app当您设置FoldConstants
来“深度”
,网络具有相同或更少的支持层,而当你设定的参数金宝app“浅”
。然而,网络导入时间可能会增加。集FoldConstants
来“没有”
禁用网络体系结构的优化。
如果网络仍然包含支持层常数合并优化后,金宝appimportONNXNetwork
返回一个错误。在本例中,您可以导入网络使用importONNXLayers
或importONNXFunction
。有关更多信息,请参见选择功能。
例子:FoldConstants = "浅"
输出参数
净
——Pretrained ONNX网络
DAGNetwork
对象|dlnetwork
对象
Pretrained ONNX网络,作为一个返回DAGNetwork
或dlnetwork
对象。
指定
TargetNetwork
作为“dagnetwork”
导入网络DAGNetwork
对象。在DAGNetwork
对象,然后预测类标签使用分类
函数。指定
TargetNetwork
作为“dlnetwork”
导入网络dlnetwork
对象。在dlnetwork
对象,然后预测类标签使用预测
函数。指定输入数据dlarray
使用正确的数据格式(有关更多信息,请参见fmt
的观点dlarray
)。
限制
importONNXNetwork
金宝app支持ONNX版本如下:函数支持ONNX vers金宝appion 7的中间表示。
函数支持ONNX算子集6 金宝app- 14所示。
请注意
如果你导入一个出口网络,湾区(网络层可能不同于原来的网络和可能不支持。金宝app
更多关于
ONNX运营商支持转换成内置金宝appMATLAB层
importONNXNetwork
金宝app支持以下ONNX运营商转换成内置MATLAB层,有一些局限性。
ONNX运营商 | 深度学习工具箱层 |
---|---|
|
additionLayer 或nnet.onnx.layer.ElementwiseAffineLayer |
|
averagePooling1dLayer 或averagePooling2dLayer |
|
batchNormalizationLayer |
|
concatenationLayer |
|
没有一个权重(进口) |
|
convolution1dLayer 或convolution2dLayer |
|
transposedConv2dLayer |
|
dropoutLayer |
|
eluLayer |
|
fullyConnectedLayer 如果ONNX网络是周期性的,否则nnet.onnx.layer.FlattenLayer 紧随其后的是convolution2dLayer |
|
globalAveragePooling1dLayer 或globalAveragePooling2dLayer |
|
globalMaxPooling1dLayer 或globalMaxPooling2dLayer |
|
gruLayer |
|
groupNormalizationLayer 与numGroups 指定为“channel-wise” |
|
leakyReluLayer |
|
CrossChannelNormalizationLayer |
|
lstmLayer 或bilstmLayer |
|
fullyConnectedLayer 如果ONNX网络是周期性的,否则convolution2dLayer |
|
maxPooling1dLayer 或maxPooling2dLayer |
|
multiplicationLayer |
|
reluLayer 或clippedReluLayer |
|
sigmoidLayer |
|
|
|
additionLayer |
|
tanhLayer |
*如果importONNXNetwork
进口的Conv
ONNX运营商作为convolution2dLayer
和Conv
操作符是一个矢量,只有两个元素(p1, p2)
,importONNXNetwork
设置填充
选择convolution2dLayer
来(p1, p2, p1, p2)
。
ONNX运营商 | 自定义层ONNX进口国 |
---|---|
|
nnet.onnx.layer.ClipLayer |
|
nnet.onnx.layer.ElementwiseAffineLayer |
|
nnet.onnx.layer.FlattenLayer 或nnet.onnx.layer.Flatten3dLayer |
|
nnet.onnx.layer.IdentityLayer |
|
nnet.onnx.layer.ElementwiseAffineLayer |
|
nnet.onnx.layer.PReluLayer |
|
nnet.onnx.layer.FlattenLayer |
|
nnet.onnx.layer.ElementwiseAffineLayer |
ONNX运营商 | 图像处理工具箱™ |
---|---|
DepthToSpace |
depthToSpace2dLayer (图像处理工具箱) |
调整 |
resize2dLayer (图像处理工具箱)或resize3dLayer (图像处理工具箱) |
SpaceToDepth |
spaceToDepthLayer (图像处理工具箱) |
Upsample |
resize2dLayer (图像处理工具箱)或resize3dLayer (图像处理工具箱) |
转换ONNX输入和输出内置的张量MATLAB层
importONNXNetwork
试图解释ONNX网络的输入和输出的数据格式张量,然后将其转换为内置MATLAB输入和输出层。详细的解释,请参见表张量ONNX输入转化为深度学习工具箱层和张量ONNX输出转化为MATLAB层。
在深度学习工具箱中,每个数据格式字符必须这些标签之一:
年代
——空间C
——频道B
——批观测T
——时间和顺序U
——未指明的
转换ONNX张量输入深度学习工具箱层
数据格式 | 资料解释 | 深度学习工具箱层 | ||
---|---|---|---|---|
ONNX输入张量 | MATLAB输入格式 | 形状 | 类型 | |
公元前 |
CB |
c——- - - - - -n数组,c的特性和数量吗n是观测的数量吗 | 特性 | featureInputLayer |
bcs ,BSSC ,CSS ,SSC |
SSCB |
h——- - - - - -w——- - - - - -c——- - - - - -n数字数组,h,w,c和n的高度、宽度、通道的图像,和数量的观测,分别吗 |
二维图像 | imageInputLayer |
BCSSS ,BSSSC ,包括 ,SSSC |
SSSCB |
h——- - - - - -w——- - - - - -d——- - - - - -c数字数组,h,w,d,c和n高度、宽度、深度、数量的通道的图像,和数字图像的观察,分别吗 |
三维图像 | image3dInputLayer |
时间待定 |
认知行为治疗 |
c——- - - - - -年代——- - - - - -n矩阵,c的数量的特征序列,年代是序列长度,n观测序列的数量吗 |
向量序列 | sequenceInputLayer |
涂层 |
SSCBT |
h——- - - - - -w——- - - - - -c——- - - - - -年代——- - - - - -n数组,h,w,c和n对应的高度、宽度和通道图像的数量,分别年代是序列长度,n是图像序列观测的数量吗 |
二维图像序列 | sequenceInputLayer |
TBCSSS |
SSSCBT |
h——- - - - - -w——- - - - - -d——- - - - - -c——- - - - - -年代——- - - - - -n数组,h,w,d,c对应的高度、宽度、深度和通道图像的数量,分别年代是序列长度,n是图像序列观测的数量吗 |
三维图像序列 | sequenceInputLayer |
转换ONNX张量输出到MATLAB层
数据格式 | MATLAB层 | |
---|---|---|
ONNX输出张量 | MATLAB输出格式 | |
公元前 ,时间待定 |
CB ,认知行为治疗 |
classificationLayer |
bcs ,BSSC ,CSS ,SSC ,BCSSS ,BSSSC ,包括 ,SSSC |
SSCB ,SSSCB |
pixelClassificationLayer (计算机视觉工具箱) |
涂层 ,TBCSSS |
SSCBT ,SSSCBT |
regressionLayer |
对进口网络的生成代码
您可以使用MATLAB编码器™或GPU编码器™一起深度学习工具箱生成墨西哥人,独立的CPU, CUDA®墨西哥人,或独立的CUDA代码导入网络。有关更多信息,请参见深度学习代码生成。
使用MATLAB编码器与深度学习工具箱生成墨西哥人或独立的CPU的代码运行在桌面或嵌入式目标。您可以部署生成独立的代码,使用了英特尔®MKL-DNN库或手臂®计算库。或者,您可以生成通用的C或c++代码不调用第三方库函数。有关更多信息,请参见深度学习与MATLAB编码器(MATLAB编码器)。
使用GPU与深度学习工具箱编码器生成CUDA墨西哥人或独立的CUDA的代码运行在桌面或嵌入式目标。您可以部署生成独立的CUDA的代码使用CUDA深层神经网络库(cuDNN)的TensorRT™高性能推理库,或手臂计算库马里GPU。有关更多信息,请参见深度学习GPU编码器(GPU编码器)。
importONNXNetwork
返回网络净
作为一个DAGNetwork
或dlnetwork
对象。这两个对象支持代码生成。金宝app的更多信息MATLAB编码器和GPU编码器支持深度学习工金宝app具箱对象,明白了金宝app支持类(MATLAB编码器)和金宝app支持类(GPU编码器),分别。
您可以生成代码的任何进口网络层支持代码生成。金宝app层支持代码生成的列表金宝appMATLAB编码器和GPU编码器,看到金宝app支持层(MATLAB编码器)和金宝app支持层(GPU编码器),分别。更多信息在每一个内置的代码生成功能和限制MATLAB层,请参见扩展功能部分的层。例如,请参见代码生成和GPU的代码生成的imageInputLayer
。
在GPU上使用进口网络
importONNXNetwork
不执行GPU。然而,importONNXNetwork
进口pretrained深度学习的神经网络DAGNetwork
或dlnetwork
对象,您可以使用GPU。
如果你导入网络
DAGNetwork
对象,您可以做出预测与进口网络使用一个CPU或GPU分类
。使用名称-值参数指定的硬件需求ExecutionEnvironment
。对于多个输出的网络,使用预测
函数DAGNetwork
对象。如果你导入网络
DAGNetwork
对象,您可以做出预测与进口网络使用一个CPU或GPU预测
。使用名称-值参数指定的硬件需求ExecutionEnvironment
。如果网络有多个输出,指定名称的论点ReturnCategorical
作为真正的
。如果你导入网络
dlnetwork
对象,您可以做出预测与进口网络使用一个CPU或GPU预测
。这个函数预测
在GPU上执行如果输入数据或网络参数存储在GPU上。如果你使用
minibatchqueue
输入数据的处理和管理mini-batches,minibatchqueue
对象将输出转换为GPU数组默认情况下如果GPU可用。使用
dlupdate
转换的可学的参数dlnetwork
GPU数组对象。净= dlupdate (@gpuArray,净)
你可以训练进口网络使用一个CPU或GPU
trainNetwork
。指定训练选项,包括选项执行环境,使用trainingOptions
函数。使用名称-值参数指定的硬件需求ExecutionEnvironment
。如何加快培训更多的信息,请参阅并行扩展深度学习,在gpu上,在云端。
使用GPU需要并行计算工具箱™和支持GPU设备。金宝app支持设备的信息,请参阅金宝appGPU的金宝app支持版本(并行计算工具箱)。
提示
选择功能
深度学习工具箱ONNX模型格式转换器提供了三个函数导入pretrained ONNX网络:importONNXNetwork
,importONNXLayers
,importONNXFunction
。
如果导入网络包含一个ONNX运营商不支持转换成一个内置的MATLAB层(见金宝appONNX运营商支持转换成内置M金宝appATLAB层),importONNXNetwork
不生成一个自定义层呢importONNXNetwork
返回一个错误。在这种情况下,您仍然可以使用importONNXLayers
导入网络体系结构和权重importONNXFunction
网络作为一个导入ONNXParameters
对象和函数模型。
更多信息的导入功能最适合不同的场景,看到的选择要导入的函数ONNX Pretrained网络。
版本历史
介绍了R2018aR2021b:一会
选择已被删除
错误从R2021b
一会
被移除。使用类
代替。更新你的代码,取代的所有实例一会
与类
。
R2021b:importONNXNetwork
不能创建输入和输出层ONNX文件信息
行为改变R2021b
如果你导入一个ONNX作为一个模型DAGNetwork
对象,导入网络必须包括输入和输出层。importONNXNetwork
试图将输入和输出ONNX张量转换成内置MATLAB层。当进口一些网络importONNXNetwork
可能以前进口的输入和输出内置MATLAB层,importONNXNetwork
现在可能返回一个错误。在这种情况下,下列更新你的代码:
指定名称的参数
TargetNetwork
作为“dlnetwork”
导入网络dlnetwork
对象。使用名称的参数
InputDataFormats
,OutputDataFormats
,OutputLayerType
指定导入的网络的输入和输出。使用
importONNXLayers
导入网络层图,一层一层的占位符。使用
importONNXFunction
导入函数和一个网络模型ONNXParameters
对象。
R2021b:进口网络层的名字可能不同
行为改变R2021b
的图层名称导入网络可能不同于以前的版本。更新你的代码,取代现有的新名称或名称的一层net.Layers (n) . name
。
Abrir比如
这种版本modificada德埃斯特比如。害怕Desea abrir埃斯特比如con sus modificaciones吗?
第一de MATLAB
Ha事实clic en联合国围绕此时一个埃斯特第一de MATLAB:
Ejecute el第一introduciendolo en la ventana de第一de MATLAB。洛杉矶navegadores网络没有admiten第一de MATLAB。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。