主要内容

findPlaceholderLayers

在从Keras导入的网络体系结构中查找占位符层ONNX

在页面中全部折叠

语法

placeholderLayers = findPlaceholderLayers(importedLayers)
[placeholderLayers,indices] = findPlaceholderLayers(importedLayers)

描述

例子

placeholderLayers= findPlaceholderLayers (importedLayers）返回网络体系结构中存在的所有占位符层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。

［placeholderLayers，指数= findPlaceholderLayers(importedLayers）也返回占位符层的索引。

例子

全部折叠

这个例子使用了:

打开实时脚本

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

这个例子使用了:

打开实时脚本

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”）

图中包含一个axes对象。标题为Imported Network的axes对象包含一个graphplot类型的对象。

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”）

图中包含一个axes对象。标题为Network with replacement Layers的axes对象包含一个graphplot类型的对象。

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

全部折叠

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

全部折叠

网络体系结构中的所有占位符层，作为数组返回PlaceholderLayer对象。

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

另请参阅

||||||

主题