主要内容

findPlaceholderLayers

在从克拉斯或进口的网络架构中找到占位符图层ONNX

页面上倒塌

句法

PlaceHolderLayers = FindPlaceHolderlayers（进口层）
[placeholderLayers，指数] = findPlaceholderLayers（importedLayers）

描述

例子

placeholderLayers= findPlaceholderLayers（进口层）返回网络架构中存在的所有占位符图层进口层由此进口importKerasLayers或者importONNXLayers功能，或由所创建的functiontolayergraph.功能。占位符层的层，这些功能插入到位层不受深度学习工具箱支持™。金宝app

要与导入的网络一起使用，此功能需要TensorFlow™型号的深层学习工具箱转换器金宝app支持包或用于ONNX™模型格式的深度学习工具箱转换器金宝app支持包。

[placeholderLayers那指数] = findPlaceholderLayers（进口层）还返回占位符层的索引。

例子

全部收缩

打开直播脚本

指定keras网络文件以导入图层。

modelfile ='digitsdagnetwithnoise.h5';

导入网络架构。该网络包括深入学习工具箱不支持的一些图层类型。金宝app这importKerasLayers函数用占位符层替换每个不受支持的图层，并返回警告消金宝app息。

Lgraph = ImportKeraslayers（模数）
警告：无法导入某些keras图层，因为深度学习工具箱不支持它们。金宝app他们已被占位符层所取代。要查找这些图层，请在返回的对象上调用FindPlaceHolderLayers。
LAPHR =具有属性的分层图：图层：[15x1 nnet.cnn.layer.layer]连接：[15x2表]输入名称：{'input_1'} OutputNames：{'classificationLayer_activation_1'}

显示网络的导入图层。两个占位符层替换Keras网络中的高斯噪声层。

lapraph.Layers.
ANS = 15x1层阵列具有图层：1'INPUT_1'图像输入28x28x1图像2'CONV2D_1'卷积20 7x7卷曲与步幅[1 1]和填充'相同'3'CONV2D_1_RELU'CRELU RELU 4'CHANC2D_2'卷积20 3x3卷积与阶段[1 1]和填充'相同'5'5'CONV2D_2_REL'CREU RELU 6'GAUSSIAN_NOISE_1'占位符层层占位符为“高斯菜”KERAS LACHER LILLELLITLEX LINGLELLITHLITHER为“GASSIANNOISE”KERAS第8'MAX_POOLING2D_1'MAX池池汇集步幅[2 2]和填充'相同的'9'MAX_POOLING2D_2'最大池2×2最大汇集步进[2 2]并填充'与'10'FLatten_1'Keras平坦展开激活为1-D假设C样式（行-major）订单11'Flatten_2'Keras平坦扁平激活成1-D假设C型（行 - 主要）订单12'Concatenate_1'深度倾斜深度连接2输入13'dense_1'完全连接的10完全连接的第14层Activation_1'softmax softmax 15'sclusificationlayer_Activation_1'分类输出CrossentRopyex

查找占位符层使用findPlaceholderLayers。输出参数包含两个占位符层importKerasLayers插入代替Keras网络的高斯噪声层。

占位符= FindPlaceHolderLayers（Lapraph）
占位符= 2x1占位符号阵列与图层：1'Gaussiannoise_1'占位符分层占位符为“高斯登记”占卜1'Gaussian_Noise_2'占位符号为“高斯登诺”keras层

为每个占位符图层指定名称。

Gaussian1 =占位符（1）;高斯2=占位符（2）;

显示每个占位层的配置。

Gaussian1.KerasConfiguration.
ans =.结构与字段：培训：1名称：'Gaussian_Noise_1'STDDEV：1.5000
gaussian2.KerasConfiguration
ans =.结构与字段：培训：1名称：'Gaussian_Noise_2'STDDev：0.7000

此示例使用：

打开直播脚本

此示例显示如何从佩带的Keras网络导入图层，将不受支持的图层替换为自定义图层，并将图层组装到准备预测的网络中。金宝app

进口Keras网络

从KERAS网络模型导入图层。网络in.'digitsdagnetwithnoise.h5'分类数字图像。

filename =.'digitsdagnetwithnoise.h5';lgraph = importKerasLayers（文件名，'进口重量'，真的）;
警告：无法导入某些keras图层，因为深度学习工具箱不支持它们。金宝app他们已被占位符层所取代。要查找这些图层，请在返回的对象上调用FindPlaceHolderLayers。

该Keras网络包含未通过深度学习工具箱支持的一些层。金宝app这importKerasLayers函数显示警告并用占位符图层替换不支持的图层。金宝app

使用图层图阴谋。

图绘制（3）标题（“进口网络”）

图包含轴。带有标题导入网络的轴包含Type GraphPlot的对象。

更换占位符层

要替换占位符，请先识别要替换的图层的名称。查找占位符层使用findPlaceholderLayers。

PlaceHolderLayers = FindPlaceHolderLayers（Lapraph）
PlaceHolderLayers = 2x1占位符阵列与图层：1'Gaussiannoise_1'占位符层占位符为'Gaussiannoise'keras第2层'Gaussian_Noise_2'占位符号为“高斯登单”keras层

显示这些图层的Keras配置。

placeholderlayers.kerasconfiguration.
ans =.结构与字段：培训：1名称：'Gaussian_Noise_1'STDDEV：1.5000
ans =.结构与字段：培训：1名称：'Gaussian_Noise_2'STDDev：0.7000

定义自定义高斯噪声层。要创建此图层，请保存文件Gaussiannoiselayer.m.在当前文件夹。然后，创建具有相同的结构导入的Keras层的两个高斯噪声层。

gnlayer1 =高斯登机会（1.5，'new_gaussian_noise_1'）;gnLayer2 = gaussianNoiseLayer（0.7，'new_gaussian_noise_2'）;

使用自定义图层替换占位符层替换剂。

Lgraph =替换剂（LGROPE，'gaussian_noise_1'，gnlayer1）;Lgraph =替换剂（LGROPE，'gaussian_noise_2'，gnLayer2）;

使用更新的图层图阴谋。

图绘制（3）标题（“具有替换层的网络”）

图包含轴。带有替换层的标题网络的轴包含了Type Graphplot的对象。

指定类名称

如果导入的分类层不包含类，则必须在预测之前指定这些。如果未指定类，则软件会自动将类设置为1那2，......，N， 在哪里N是课程的数量。

通过查看来找分类层的索引层数图层图的属性。

lapraph.Layers.
ANS = 15X1层阵列层：1 'INPUT_1' 图像输入28x28x1图像2 'conv2d_1' 卷积20个7x7x1卷积步幅[1 1]和填充 '相同' 3 'conv2d_1_relu' RELU RELU 4 'conv2d_2' 卷积20个3x3x1卷积用步幅[1 1]和填充“相同的” 5“conv2d_2_relu” RELU RELU 6“new_gaussian_noise_1”高斯噪声高斯噪声标准偏差1.5 7“new_gaussian_noise_2”高斯噪声高斯噪声标准偏差0.7 8“max_pooling2d_1”最大池2x2的最大池与步幅[2 2]和填补“相同” 9“max_pooling2d_2”最大池2x2的最大蓄留与步幅[2 2]和填补“相同” 10“flatten_1” Keras平铺展平激活成1- d假设C-式（行主）或者der 11 'flatten_2' Keras Flatten Flatten activations into 1-D assuming C-style (row-major) order 12 'concatenate_1' Depth concatenation Depth concatenation of 2 inputs 13 'dense_1' Fully Connected 10 fully connected layer 14 'activation_1' Softmax softmax 15 'ClassificationLayer_activation_1' Classification Output crossentropyex

分类层具有名称'classificationlayer_activation_1'。查看分类层，然后检查班级财产。

Clayer = Lapraph.Layers（END）
CLAYER = ClassificationOutputLayer与属性：名称： 'ClassificationLayer_activation_1' 类： '自动' ClassWeights： '无' OutputSize： '自动' 超参数LossFunction： 'crossentropyex'

因为这班级该层的属性是'汽车'，您必须手动指定的类。设置类0.那1，......，9.，然后用新的将导入的分类层替换为。

cLayer.Classes =串（0：9）
Clayer =具有属性的分类OutputLayer：名称：'ClassificationLayer_Activation_1'类：[0 1 2 3 4 5 6 7 8 9]类重量：'无'输出大小：10 HyperParepers underfunction：'crossentropyex'
Lgraph =替换剂（LGROPE，'classificationlayer_activation_1'，粘土）;

组装网络

使用层图assembleNetwork。该函数返回一个Dagnetwork.准备用于预测的对象。

net = assemblenetwork（lgraph）
net =具有属性的dagnetwork：图层：[15x1 nnet.cnn.layer.layer]连接：[15x2表]输入名称：{'input_1'} OutputNames：{'classificationLayer_activation_1'}

输入参数

全部收缩

从克拉斯或ONNX导入或创建的网络架构functiontolayergraph.，指定为a层阵列或分层图目的。

输出参数

全部收缩

网络架构中的所有占位符图层，作为一系列返回PlaceholderLayer对象。

占位符层的指数，作为向量返回。

  • 如果进口层是层阵列，然后指数是占位符层的指数进口层。

  • 如果进口层是A.分层图对象，则指数是占位符层的指数ImportedLayers.Layers.。

如果删除从层或添加图层的图层层阵列或分层图对象，然后对象中的其他图层的索引可以改变。你必须使用findPlaceholderLayers再次找到占位符层的其余部分的更新索引。

提示

  • 如果已安装用于TensorFlow模型的深度学习工具箱转换器和findPlaceholderLayers无法在导入Onnx网络时找到创建的占位符图层，然后尝试更新用于TensorFlow模型的深度学习工具箱转换器金宝app在附加资源管理器中支持包。

也可以看看

|||||

话题

在R2017B中介绍

深度学习工具箱文档

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书