主要内容

importKerasNetwork

导入佩带的Keras网络和重量

折叠所有页面

句法

net = importkerasnetwork（模块）
网= importKerasNetwork (modelfile、名称、值)

描述

例子

净= importKerasnetwork（模数）进口预先训练的TensorFlow™-Keras网络及其权值模数．

此函数需要深度学习工具箱™转换器用于TensoRFLOW模型金宝app支持包。如果未安装此支持金宝app包，则该函数提供了下载链接。

净= importKerasnetwork（模数那名称，价值）导入一个预先训练的TensorFlow-Keras网络及其权值，以及由一个或多个名称-值对参数指定的附加选项。

例如，importKerasNetwork (modelfile WeightFile,重量)从模型文件导入网络模数还有重量档案里的重量权重．在这种情况下,模数可以处于HDF5或JSON格式，权重文件必须是HDF5格式。

例子

全部折叠

这个示例使用:

打开生活的脚本

下载并安装用于TensorFlow模型支持包的深度学习工具箱转换器。金宝app

类型importKerasNetwork在命令行。

importKerasNetwork

如果未安装TensorFlow模型支持包的深度学习工具箱转换器，则该函数将提供到Add-On Explorer中所需支持包金宝app的链接。要安装支持包，请单击链接，然后金宝app单击安装．从模型文件导入网络检查安装是否成功“digitsDAGnet.h5”在命令行。如果安装了所需的支持包，则该函数金宝app返回aDAGNetwork对象。

modelfile =“digitsDAGnet.h5”；net = importkerasnetwork（模块）
警告:保存的Keras网络不包括职业。将类设置为category (1:N)，其中N为网络分类输出层的类数。要指定类，请使用' classes '参数。
net = DAGNetwork with properties: Layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

这个示例使用:

打开生活的脚本

指定要导入的文件。该文件digitsdagnet.h5.包含一个对数字图像分类的有向无环图卷积神经网络。

modelfile =“digitsDAGnet.h5”；

导入网络。

net = importkerasnetwork（模块）
警告:保存的Keras网络不包括职业。将类设置为category (1:N)，其中N为网络分类输出层的类数。要指定类，请使用' classes '参数。
net = DAGNetwork with properties: Layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

绘制网络架构图。

情节(净)标题(“DAG网络体系结构”）

图包含轴对象。具有标题DAG网络架构的轴对象包含Type Graphplot的对象。

这个示例使用:

打开生活的脚本

指定要导入的网络和权重文件。

modelfile =“digitsDAGnet.json”；重量=“digitsDAGnet.weights.h5”；

这是一个在数字数据上训练的有向无环图卷积神经网络。

导入网络架构，从单独的文件导入权重。json文件没有输出层，也没有关于cost函数的信息。在导入文件时指定输出层类型。

net = importkerasnetwork（模块，“WeightFile”权重,．..“OutputLayerType”那“分类”）
警告:保存的Keras网络不包括职业。将类设置为category (1:N)，其中N为网络分类输出层的类数。要指定类，请使用' classes '参数。
net = DAGNetwork with properties: Layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

这个示例使用:

打开生活的脚本

指定模型文件。

modelfile =“digitsDAGnet.h5”；

指定类名。

一会= {'0'那'1'那'2'那'3'那'4'那'5'那“6”那“7”那“8”那“9”}；

导入带有类名的Keras网络。

net = importkerasnetwork（模块，“类”类名);

读取图像以分类。

digitDatasetPath = fullfile (toolboxdir (“nnet”)，“nndemos”那'nndatasets'那“DigitDataset”）;我= imread (fullfile (digitDatasetPath,'5'那“image4009.png”））；

使用佩带的网络对图像进行分类。

标签=分类(净,我);

显示图像和分类结果。

imshow (I)标题([的分类结果:char(标签)))

图包含轴对象。具有标题分类结果的轴对象：5包含类型图像的对象。

输入参数

全部折叠

包含网络架构的模型文件的名称，以及可能指定为字符向量或字符串标量的权重。该文件必须位于当前文件夹中，在MATLAB上的文件夹中®路径，否则必须包含文件的完整路径或相对路径。

如果模数包括

  • 网络架构和权重，那么它必须在HDF5 (.h5） 格式。

  • 只有网络架构，然后它可以是HDF5或JSON (.JSON.） 格式。

如果模数只包含网络架构，则必须在HDF5文件中使用“WeightFile”名称值对参数。

例子:'digitsnet.h5'

数据类型:字符|字符串

名称 - 值参数

指定可选的逗号分离对名称，价值参数。的名字是参数名称和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数Name1, Value1,…,的家．

例子:importKerasNetwork (modelfile“OutputLayerType”、“分类”、“类”,类)从模型文件中导入网络模数，在Keras层的末尾添加一个用于分类问题的输出层，并指定类作为输出层的类。

包含权重的文件名称，指定为字符向量或字符串标量。WeightFile必须在当前文件夹中，在MATLAB路径上的文件夹中，或者必须包含文件的完整或相对路径。

例子:“WeightFile”、“weights.h5”

当时，函数附加到导入的网络体系结构末端的输出层类型模数没有指定丢失函数，指定为“分类”那“回归”,或'pixelclassification'．附加一个PixelclassificationLayer.（电脑视觉工具箱）对象需要计算机视觉工具箱™。

如果一个网络模数有多个输出，那么您无法使用此参数指定输出层类型。用importKerasLayers代替。importKerasLayers为输出插入占位符层。导入后，您可以通过使用找到并替换占位符层findPlaceholderLayers和替换剂， 分别。

例子:“OutputLayerType”、“回归”

网络输入图像的大小，指定为两个或三个数值对应的向量(高度、宽度)对于灰度图像和[高度，宽度，频道]为彩色图像，分别。网络使用这些信息时模数不指定输入大小。

如果一个网络模数有多个输入，则不能使用此参数指定输入大小。用importKerasLayers代替。importKerasLayers为输入插入占位符层。导入后，您可以通过使用找到并替换占位符层findPlaceholderLayers和替换剂， 分别。

例子:“ImageInputSize”,[28 28]

输出层的类，指定为分类向量、字符串数组、字符向量单元格数组或'汽车'．如果指定字符向量的字符串数组或单元格数组str，则软件将输出层的类设置为分类(str, str)．如果类是'汽车'，然后该函数将类设置为分类(1:N),在那里N是课程的数量。

数据类型:字符|分类|字符串|细胞

输出参数

全部折叠

预先训练的Keras网络，返回如下:

  • 如果是Keras网络类型顺序， 然后净是一个系列网络对象。

  • 如果是Keras网络类型模型， 然后净是一个DAGNetwork对象。

限制

  • importKerasNetwork金宝app支持TensorFlow-Keras版本如下:

    • 该功能完全支持TensorFlow-K金宝apperas 2.2.4版本。

    • 该函数提供了对TensorFlow-Keras版本2.2金宝app.5到2.4.0的有限支持。

更多关于

全部折叠

金宝app支持的克拉斯层面

importKerasNetwork金宝app支持以下TensorFlow-keras图层类型进行转换为内置MATLAB层，具有一些限制。

Tensorflow-keras层 相应的深层学习工具箱层
添加 additionLayer

激活，带有激活名称:

  • “elu”

  • “relu”

  • “线性”

  • “softmax”

  • 'sigmoid'

  • '嗖嗖'

  • 的双曲正切

层:

先进的激活:

  • elu.

  • Softmax

  • 线性整流函数（Rectified Linear Unit）

  • LeakyReLU

  • PReLu*

层:
平均pooling1d. averagePooling1dLayer和paddingsvalue.指定为“的意思是”
普通Pooling2d. averagePooling2dLayer和paddingsvalue.指定为“的意思是”
BatchNormalization batchNormalizationLayer
双向(LSTM (__)) bilstmLayer
连接 深度扫描层
Conv1d. convolution1dLayer
Conv2d. convolution2dLayer
Conv2DTranspose transposedConv2dLayer
CuDNNGRU 格拉勒
CuDNNLSTM lstmLayer
稠密 全康统计层
Depthwiseconv2d. groupedconvolution2dlayer.
辍学 dropoutLayer
嵌入 wordEmbeddingLayer(文本分析工具箱)
平 nnet.keras.layer.FlattenCStyleLayer
GlobalAveragePooling1D GlobalaveragePooling1dlayer.
GlobalAveragePooling2D globalAveragePooling2dLayer
GlobalMaxPool1D globalmaxpooling1dlayer.
GlobalMaxPool2D globalMaxPooling2dLayer
gru. 格拉勒
输入 imageInputLayer那sequenceInputLayer,或featureInputLayer
LSTM lstmLayer
MaxPool1D maxpooling1dlayer.
MaxPool2D maxPooling2dLayer
乘 multiplicationLayer
separableconv2d. groupedconvolution2dlayer.或convolution2dLayer
划分 SequenceFoldingLayer.在包装层之前，和sequencfoldinglayer.缠绕层后
Upsampling2d. resize2dLayer(图像处理工具箱)
Upsampling3d. resize3dLayer(图像处理工具箱)
Zeropaddding1d. nnet.keras.layer.ZeroPadding1DLayer
ZeroPadding2D nnet.keras.layer.ZeroPadding2DLayer

*对于prelu层，importKerasNetwork用向量元素的平均值替换向量值缩放参数。您可以在导入后将参数更改回矢量。例如，看到导入Keras PReLU图层．

金宝app支持Keras Loss功能

importKerasNetwork金宝app支持以下Keras loss功能:

  • mean_squared_error

  • patporical_crossentropy.

  • sparse_categorical_crossentropy

  • binary_crossentropy

在GPU上使用导入的网络

importKerasNetwork不能在GPU上执行。然而,importKerasNetwork导入预训练的深度学习神经网络作为DAGNetwork或系列网络对象，可以在GPU上使用。

  • 您可以在CPU或GPU上使用分类．使用name-value参数指定硬件需求ExecutionEnvironment．对于具有多个输出的网络，使用预测函数。

  • 您可以在CPU或GPU上使用预测．使用name-value参数指定硬件需求ExecutionEnvironment．如果网络有多个输出，请指定name-value参数ReturnCategorical作为真正的．

  • 您可以使用CPU或GPU来训练导入的网络Trainnetwork.．要指定培训选项，包括执行环境的选项，请使用trainingOptions函数。使用name-value参数指定硬件需求ExecutionEnvironment．有关如何加速训练的更多信息，请参见在gpu和云上并行扩展深度学习．

使用GPU需要并行计算工具箱™和支持的GPU设备。金宝app有关支持的设备的信息，请参见金宝appGPU支金宝app持情况(并行计算工具箱)．

提示

  • 如果网络包含一个层张量流模型的深度学习工具箱转换器不支持(见金宝app金宝app支持的克拉斯层面),然后importKerasNetwork返回错误消息。在这种情况下，您仍然可以使用importKerasLayers导入网络架构和权重。

  • 您可以导入具有多个输入和多个输出(MIMO)的Keras网络。用importKerasNetwork如果网络包含输入的输入大小信息和输出的损失信息。否则,使用importKerasLayers．这importKerasLayers功能插入输入和输出的占位符层。导入后，您可以通过使用找到并替换占位符层findPlaceholderLayers和替换剂， 分别。导入MIMO KERAS网络的工作流程与导入MIMO ONNX™网络的工作流程相同。例如，看到导入并组装具有多个输出的ONNX网络．要了解具有多个输入和多个输出的深度学习网络，请参见多输入多输出网络．

  • 要使用预测或传输在新图像上的预测或传输学习的预测网络，您必须以相同的方式预处理图像用于培训导入模型的图像是预处理的。最常见的预处理步骤正在调整图像的大小大小，减去图像平均值，并将图像从BGR图像转换为RGB。

    • 要调整图像大小，请使用imresize．例如，[3] 227227年imresize(图片)．

    • 要将图像从RGB格式转换为BGR格式，请使用翻动．例如，翻转(图片3)．

    有关用于训练和预测的预处理图像的更多信息，请参见深度学习的预处理图像．

选择功能

  • 用importKerasNetwork或importKerasLayers以HDF5或JSON格式导入Tensorflow-Keras网络。如果TensorFlow网络处于保存的型号格式，请使用importTensorFlowNetwork或importTensorFlowLayers．

  • 如果您导入自定义TensorFlow-Keras层或如果软件不能将TensorFlow-Keras层转换为等效的内置MATLAB层，您可以使用importTensorFlowNetwork或importTensorFlowLayers，它试图生成一个自定义层。例如，importTensorFlowNetwork和importTensorFlowLayers当你导入TensorFlow-Keras时生成一个自定义层lambda.层。

兼容性的考虑

全部展开

不建议从R2018b开始

参考文献

［1］Keras: Python深度学习库．https://keras.io．

也可以看看

|||||||

话题

在R2017B中介绍

深度学习工具箱文档

金宝app

介绍基于MATLAB的深度学习

介绍基于MATLAB的深度学习

下载电子书