findPlaceholderLayers
在从Keras导入的网络体系结构中查找占位符层ONNX
语法
描述
返回网络体系结构中存在的所有占位符层placeholderLayers
= findPlaceholderLayers (importedLayers
)importedLayers
由importKerasLayers
或importONNXLayers
函数,或由functionToLayerGraph
函数。占位符层是这些函数插入的层,以取代深度学习工具箱™不支持的层。金宝app
若要与导入的网络一起使用,此函数需要用于TensorFlow™模型的深度学习工具箱转换器金宝app支援包或ONNX™模型格式的深度学习工具箱转换器金宝app支持包。
[
也返回占位符层的索引。placeholderLayers
,指数
= findPlaceholderLayers(importedLayers
)
例子
找到并探索占位符层
指定要从其中导入层的Keras网络文件。
modelfile =“digitsDAGnetwithnoise.h5”;
导入网络架构。该网络包含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:无法导入某些Keras层,因为深度学习工具箱不支持它们。金宝app它们已经被占位符层所取代。要查找这些层,在返回的对象上调用findPlaceholderLayers函数。
lgraph =具有属性的LayerGraph: Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
显示导入的网络层。两个占位符层取代Keras网络中的高斯噪声层。
lgraph。层
带有图层的图层数组:1“input_1”28 x28x1图像输入图像2 conv2d_1的二维卷积20 7 x7旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4“conv2d_2”二维卷积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一层一层7“gaussian_noise_2”占位符的占位符的GaussianNoise Keras层8“max_pooling2d_1”二维最大池2 x2马克斯池与步[22]和填充'same' 9 'max_pooling2d_2'二维最大池化2x2最大池化与stride[2 2]和填充'same' 10 ' flat_1 ' Keras Flatten Flatten激活到一维假设c风格(row-major)顺序11 ' flat_2 ' Keras Flatten激活到一维假设c风格(row-major)顺序12 'concatenate_1'深度连接2个输入的深度连接13 'dense_1'完全连接10全连接层14 'activation_1' Softmax Softmax 15 'ClassificationLayer_activation_1'分类输出
找到占位符层使用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)
占位符= 2x1 PlaceholderLayer数组,层:1' gaussian_noise_1' PLACEHOLDER LAYER 'GaussianNoise' Keras层占位符
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 =带有字段的结构:可培训:1个名称:'gaussian_noise_1' stddev: 1.5000
gaussian2。KerasConfiguration
ans =带有字段的结构:可培训:1个名称:' gaussian_nois_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,用自定义层替换不受支持的层,并将层组装成一个可以进行预测的网络。金宝app
导入Keras网络
从Keras网络模型导入层。的网络“digitsDAGnetwithnoise.h5”
对数字图像进行分类。
文件名=“digitsDAGnetwithnoise.h5”;lgraph = importKerasLayers(文件名,“ImportWeights”,真正的);
警告:无法导入某些Keras层,因为深度学习工具箱不支持它们。金宝app它们已经被占位符层所取代。要查找这些层,在返回的对象上调用findPlaceholderLayers函数。
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
绘制层图使用情节
.
图(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。找到占位符层使用findPlaceholderLayers
.
placeholderLayers = findPlaceholderLayers(lgraph)
1' gaussian_noise_1' PLACEHOLDER LAYER 'gaussian_noise_2' PLACEHOLDER LAYER 'GaussianNoise' Keras层占位符
显示这些层的Keras配置。
placeholderLayers。KerasConfiguration
ans =带有字段的结构:可培训:1个名称:'gaussian_noise_1' stddev: 1.5000
ans =带有字段的结构:可培训:1个名称:' gaussian_nois_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);
绘制更新的图层图情节
.
图(lgraph)标题(“替换层的网络”)
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,则软件自动将类设置为1
,2
、……N
,在那里N
是类的数量。
,查找分类层的索引层
层图的属性。
lgraph。层
带有图层的图层数组:1“input_1”28 x28x1图像输入图像2 conv2d_1的二维卷积20 7 x7x1旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4“conv2d_2”二维卷积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 7 new_gaussian_noise_2高斯噪声的高斯噪声标准差为0.7 8“max_pooling2d_1”二维最大池2 x2马克斯池与步伐[22]和填充'same' 9 'max_pooling2d_2'二维最大池化2x2最大池化与stride[2 2]和填充'same' 10 ' flat_1 ' Keras Flatten Flatten激活到一维假设c风格(row-major)顺序11 ' flat_2 ' Keras Flatten激活到一维假设c风格(row-major)顺序12 'concatenate_1'深度连接2个输入的深度连接13 'dense_1'完全连接10全连接层14 'activation_1' Softmax Softmax 15 'ClassificationLayer_activation_1'分类输出
分类层有名称“ClassificationLayer_activation_1”
.查看分类层类
财产。
cLayer = lgraph.Layers(结束)
cLayer = ClassificationOutputLayer属性:Name: 'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters: 'crossentropyex'
因为类
层的属性为“汽车”
,您必须手动指定类。将类设置为0
,1
、……9
,然后将导入的分类层替换为新的分类层。
粘土。Classes = string(0:9)
cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: [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
组装层图使用assembleNetwork
.函数返回一个DAGNetwork
对象,该对象已准备好用于预测。
网络(lgraph)
net = DAGNetwork属性:Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
输入参数
importedLayers
- - - - - -从Keras或ONNX导入的网络架构或由functionToLayerGraph
层
数组|LayerGraph
对象
从Keras或ONNX导入的网络架构或由functionToLayerGraph
,指定为层
数组或LayerGraph
对象。
输出参数
placeholderLayers
-网络架构中的所有占位符层
的数组PlaceholderLayer
对象
网络体系结构中的所有占位符层,作为数组返回PlaceholderLayer
对象。
指数
-占位符层索引
向量
占位符层的索引,作为向量返回。
如果
importedLayers
那么,层是数组吗指数
占位符层的索引在吗importedLayers
.如果
importedLayers
是一个LayerGraph
对象,然后指数
占位符层的索引在吗importedLayers。层
.
对象中删除一层或添加一层层
数组或LayerGraph
对象,则该对象中其他层的索引可以更改。你必须使用findPlaceholderLayers
再次查找其他占位符层的更新索引。
提示
如果你安装了张量流模型的深度学习工具箱转换器而且
findPlaceholderLayers
无法找到在导入ONNX网络时创建的占位符层,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插件资源管理器中的支持包。
版本历史
在R2017b中引入
对MATLAB
Vous avez cliqué sur un lien qui对应à cette命令MATLAB:
Pour exécuter la command, saisissez-la dans la fenêtre de command de MATLAB。Les navigateurs web ne支金宝app持pas Les命令MATLAB。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。