导入ONNX格式的网络作为函数，修改网络参数。
导入pretrainedsimpleenet3fc.onnx.网络作为一个函数。simplenet3fc.是一个简单的卷积神经网络训练的数字图像数据。有关如何创建类似的网络的更多信息simplenet3fc.， 看创建简单的图像分类网络．
进口simpleenet3fc.onnx.使用importonnxfunction.，它返回一个ONNXParameters包含网络参数的对象。该函数还在包含网络架构的当前文件夹中创建新的模型函数。指定模型函数的名称simplenetFcn．
包含导入的ONNX网络的函数已保存到文件simpleenetfcn.m文件中。要了解如何使用此功能，请键入：帮助simplenetfcn。
显示在培训期间更新的参数（参数个数。可学的)和训练过程中保持不变的参数(params.nonlearnables.)．
ans =结构体字段:imageinput_Mean:[1×1 dlarray] conv_W:[5×5×1×20 dlarray] conv_B:[20×1 dlarray] batchnorm_scale:[20×1 dlarray] batchnorm_B:[20×1 dlarray] fc_1_W:[24×24×20×20 dlarray] fc_1_B:[20×1 dlarray] fc_2_W:[1×1×20×20 dlarray] fc_2_B:[20×1 dlarray] fc_3_W:[1×1×20×10 dlarray] fc_3_B:[10×1 dlarray]
ans =结构体字段:ConvStride1004:[2×1 dlarray] ConvDilationFactor1005:[2×1 dlarray] ConvPadding1006:[4×1 dlarray] ConvStride1007:[2×1 dlarray] ConvDilationFactor1008:[2×1 dlarray] ConvPadding1009:[4×1 dlarray] ConvStride1010:[2×1 dlarray] ConvDilationFactor1011:[2×1 dlarray] ConvPadding1012:[4×1 dlarray] ConvStride1013:[2×1 dlarray] ConvDilationFactor1014: [2×1 dlarray] ConvPadding1015: [4×1 dlarray]
网络的参数代表三个完全连接的层。您可以在原始参数中添加一个全连接层参数个数在层之间fc_2和fc_3．新的层可能会提高分类精度。
来查看卷积层的参数fc_2和fc_3，打开模型功能simplenetFcn．
向下滚动到函数中的层定义simplenetFcn．下面的代码显示了层的定义fc_2和fc_3．
％conv：[权重，偏差，步幅，膨胀因子，填充，数据格式，numdim。fc_2] = prepareConvArgs (var。fc_2_W, var。fc_2_B, var。ConvStride1010, var。ConvDilationFactor1011, var。ConvPadding1012 1 NumDims。fc_1 NumDims.fc_2_W);var。fc_2= dlconv(Vars.fc_1, weights, bias,'走吧'步,“DilationFactor”dilationFactor,“填充”填充,“DataFormat”, dataFormat);％conv：[权重，偏见，阶段，稀释性因子，填充，dataformat，numdims.fc_3] = prepareConvargs（vars.fc_3_w，vars.fc_3_b，vars.convstride1013，vars.convdilationfactor1014，vars.convpaddation1014，5，numdims.fc_2，numdims.fc_3_w）;vars.fc_3 = dlconv（vars.fc_2，权重，偏见，'走吧'步,“DilationFactor”dilationFactor,“填充”填充,“DataFormat”, dataFormat);
命名新图层fc_4，因为每个添加的参数名称必须是唯一的。的addparameter.函数总是顺序地向参数个数。可学的或params.nonlearnables.结构。模型函数中各层的顺序simplenetFcn确定网络层执行的顺序。参数的名称和顺序不影响执行顺序。
添加一个新的完全连接的层fc_4具有相同的参数fc_2．
显示更新的可读和非可爱参数。
ans =结构体字段:imageinput_Mean:[1×1 dlarray] conv_W:[5×5×1×20 dlarray] conv_B:[20×1 dlarray] batchnorm_scale:[20×1 dlarray] batchnorm_B:[20×1 dlarray] fc_1_W:[24×24×20×20 dlarray] fc_1_B:[20×1 dlarray] fc_2_W:[1×1×20×20 dlarray] fc_2_B:[20×1 dlarray] fc_3_W:[1×1×20×10 dlarray] fc_3_B:[10×1 dlarray]fc_4_W: [1×1×20×20 dlarray] fc_4_B: [20×1 dlarray]
ans =结构体字段:ConvStride1004:[2×1 dlarray] ConvDilationFactor1005:[2×1 dlarray] ConvPadding1006:[4×1 dlarray] ConvStride1007:[2×1 dlarray] ConvDilationFactor1008:[2×1 dlarray] ConvPadding1009:[4×1 dlarray] ConvStride1010:[2×1 dlarray] ConvDilationFactor1011:[2×1 dlarray] ConvPadding1012:[4×1 dlarray] ConvStride1013:[2×1 dlarray] ConvDilationFactor1014: [2×1 dlarray] ConvPadding1015: [4×1 dlarray]fc_4_Stride: [2×1 dlarray] fc_4_DilationFactor: [2×1 dlarray] fc_4_Padding: [4×1 dlarray]
修改模型函数的体系结构以反映更改参数个数因此，您可以使用网络与新参数或培训网络预测。打开模型功能simplenetFcn．然后，添加完全连接的图层fc_4在层之间fc_2和fc_3，并更改卷积操作的输入数据dlconv对于第一层fc_3到Vars.fc_4．
下面的代码显示了新层fc_4在它的位置，以及层数fc_2和fc_3．
％conv：[权重，偏差，步幅，膨胀因子，填充，数据格式，numdim。fc_2] = prepareConvArgs (var。fc_2_W, var。fc_2_B, var。ConvStride1010, var。ConvDilationFactor1011, var。ConvPadding1012 1 NumDims。fc_1 NumDims.fc_2_W);var。fc_2= dlconv(Vars.fc_1, weights, bias,'走吧'步,“DilationFactor”dilationFactor,“填充”填充,“DataFormat”, dataFormat);% Conv[权重，偏差，步幅，膨胀因子，填充，数据格式，numdim。fc_4] = prepareConvArgs (var。fc_4_W, var。fc_4_B, var。fc_4_Stride, Vars.fc_4_DilationFactor, Vars.fc_4_Padding, 1, NumDims.fc_2, NumDims.fc_4_W); Vars.fc_4 = dlconv(Vars.fc_2, weights, bias,'走吧'步,“DilationFactor”dilationFactor,“填充”填充,“DataFormat”, dataFormat);％conv：[权重，偏见，阶段，稀释，填充，dataformat，numdims.fc_3] = prepareConvargs（vars.fc_3_w，vars.fc_3_b，vars.convstride1013，vars.convdilationfactor1014，vars.convpaddationfactor1014，vars.convpadding1015，1，numdims.fc_4，numdims.fc_3_w）;vars.fc_3 = dlconv（vars.fc_4，权重，偏差，'走吧'步,“DilationFactor”dilationFactor,“填充”填充,“DataFormat”, dataFormat);
