这个例子展示了如何从一个预先训练好的Keras网络中导入这些层,用定制层替换不支持的层,并将这些层组装到一个网络中以备预测。金宝app
从Keras网络模型导入这些层。网络在“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还不支持它们。金宝app它们已经被占位符层所取代。要找到这些层,在返回的对象上调用函数findPlaceholderLayers。
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
。
图绘制(lgraph)标题(“进口网络”)
要替换占位符层,首先要标识要替换的层的名称。使用以下命令查找占位符层findPlaceholderLayers
。
placeholderLayers = findPlaceholderLayers (lgraph)
1' gaussian_noise ' Keras层的占位符层;2' gaussian_noise ' Keras层的占位符层;2' gaussian_noise ' Keras层的占位符层
显示这些层的Keras配置。
placeholderLayers.KerasConfiguration
ans =结构体字段:可训练:1名:'gaussian_noise e_1' stddev: 1.5000
ans =结构体字段:可训练:1名:'gaussian_noise e_2' stddev: 0.7000
定义一个自定义高斯噪声层。要创建此层,请保存文件gaussianNoiseLayer.m
在当前文件夹中。然后,创建两个具有与导入的Keras层相同配置的高斯噪声层。
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);
使用绘图工具绘制更新的层图情节
。
图绘制(lgraph)标题(“替换图层的网络”)
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,则软件会自动将类设置为1
,2
、……N
,在那里N
是类的数量。
属性查找分类层的索引层
层图的属性。
lgraph.Layers
ans = 15x1层数组与层:1“input_1”图像输入28 x28x1图片2的conv2d_1卷积20 7 x7x1旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4 conv2d_2的卷积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”马克斯池2 x2马克斯2[2]和池与进步填充“相同”9“max_pooling2d_2”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”10 ' flatten_1 Keras平压平激活成一维假设c风格的(行)订单11的flatten_2 Keras平压平激活成一维假设c风格的(行)订单12的concatenate_1深度连接深度连接2输入13“dense_1”完全连接10完全连接层14的activation_1 Softmax Softmax 15“ClassificationLayer_activation_1”分类输出crossentropyex
分类层有名称“ClassificationLayer_activation_1”
。查看分类层并检查类
财产。
粘土= lgraph.Layers(结束)
类:'auto' OutputSize: 'auto' Hyperparameters loss sfunction: 'crossentropyex'
因为类
该层的属性为“汽车”
,则必须手动指定类。将类设置为0
,1
、……9
,然后用新的分类层替换导入的分类层。
粘土。类=字符串(0:9)
cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1'类:[0 1 2 3 4 5 6 7 8 9]OutputSize: 10个超参数
lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);
使用下列工具组装层图assembleNetwork
。函数返回DAGNetwork
可以用于预测的对象。
净= assembleNetwork (lgraph)
net = DAGNetwork with properties: Layers:[15×1 nnet.cn .layer. layer] Connections:[15×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
DAGNetwork
|assembleNetwork
|findPlaceholderLayers
|importKerasLayers
|importKerasNetwork
|layerGraph
|replaceLayer
|trainNetwork