importONNXFunction
导入预训练的ONNX网络作为函数
描述
参数个数=importonxfunction(modelfile，网络函数名）modelfile并返回一个ONNXParameters对象(参数个数)，包含网络参数。该函数还创建一个模型函数，其名称为网络函数名包含网络体系结构的。有关网络功能的更多信息，请参阅导入的ONNX模型函数．
使用ONNXParameters对象和对象网络函数名模型函数执行常见的深度学习任务，如图像和序列数据分类、迁移学习、目标检测和图像分割。importONNXFunction当您无法使用该网络时导入网络时很有用importonnxnetwork.函数(例如,importONNXFunction可以导入YOLOv3），或者如果您想定义自己的自定义培训循环（有关更多详细信息，请参阅使用自定义训练循环的训练网络）.
此函数需要ONNX模型格式的深度学习工具箱™转换器金宝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。
例子
将不支持的操作符作为函数导入ONNX网络金宝app
导入ONNX网络作为函数。该网络包含深度学习工具箱层不支持的ONNX操作符。金宝app您可以将导入的模型函数用于深度学习任务，如预测和迁移学习。
下载并安装ONNX模型格式支持包的深入学习工具箱转换器。您可以输入金宝appimportONNXFunction在命令行中检查支持包是否已安装。金宝app如果没有安装，则该函数将提供到Add-On Explorer中所需的支持包的链接。金宝app要安装支持包，请单击链接，然后金宝app单击安装．
指定要导入的文件为shufflenet使用ONNX模型动物园中的操作符设置9。shufflenet是一种卷积神经网络，可在ImageNet数据库中培训。
模型文件=“shufflenet-9.onnx”；
推荐的做法是尝试通过使用importonnxnetwork.．如果importonnxnetwork.无法导入网络，因为某些网络层不受支持，您可以使用将网络作为层导入金宝app重要人物，或作为一个函数使用importONNXFunction．
导入shufflenet网络层。该软件生成占位符层来代替不支持的层。金宝app
lgraph = importONNXLayers (modelfile,“OutputLayerType”，'分类'）;
警告：无法导入一些ONNX运算符，因为它们不受支持。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。4运算符：ONNX文件中的平均池池层不包括平均填充。这可能会在ONNX和MATLAB网络输出之间造成小的数值差异。32个操作员：只有在执行平整操作时才支持重塑操作符。金宝app16运算符：不支持操作员“转置”。金宝app将ONNX网络作为函数导入，可以支持大多数ONNX运算符，调用importonnxfunction。金宝app
查找占位符层并显示占位符层的数量。
indPlaceholderLayers = findPlaceholderLayers (lgraph);元素个数(indPlaceholderLayers)
ans = 48
必须替换要使用的48个占位符层LGRAPH.用于深度学习任务，如预测。
相反，将网络作为函数导入，以生成一个模型函数，您可以轻松地将其用于深度学习任务。
params = importONNXFunction (modelfile,'shufflenetfcn'）
一个包含导入的ONNX网络的函数'shufflenetFcn'已经保存到当前目录。要学习如何使用这个函数，输入:help shufflenetFcn
params = ONNXParameters with properties: Learnables: [1×1 struct] Nonlearnables: [1×1 struct] State: [1×1 struct] NumDimensions: [1×1 struct] NetworkFunctionName: 'shufflenetFcn'
importONNXFunction返回ONNXParameters对象参数个数，包含网络参数和模型函数shufflnetFcn，其中包含网络体系结构。importONNXFunction节省了Shufflenetfcn.在当前文件夹中。使用命令可以打开模型函数查看或编辑网络架构打开shufflenetFcn．
预测使用导入的ONNX函数
导入一个ONNX网络作为函数，使用预先训练好的网络来预测输入图像的类标签。
指定要导入的文件为shufflenet使用ONNX模型动物园中的操作符设置9。shufflenet是一个卷积神经网络，训练了来自ImageNet数据库的100多万张图像。因此，该网络学习了丰富的特征表示范围广泛的图像。该网络可以将图像分为1000个对象类别，如键盘、鼠标、铅笔和许多动物。
模型文件=“shufflenet-9.onnx”；
使用导入预训练的ONNX网络作为函数importONNXFunction，它返回ONNXParameters对象参数个数．此对象包含网络参数。该函数还在包含网络架构的当前文件夹中创建了一个新的模型函数。指定模型函数的名称Shufflenetfcn.．
params = importONNXFunction (modelfile,'shufflenetfcn'）;
已将包含导入的ONNX网络的函数保存到shuffle .m文件中。要学习如何使用这个函数，输入:help shufflenetFcn。
阅读你想分类的图像，并显示图像的大小。图像是792 × 1056像素，有三个颜色通道(RGB)。
I=imread('孔雀.jpg'); 尺寸（I）
ans =1×3.792 1056 3
将图像调整为网络的输入大小。显示图像。
I = imresize(I，[224 224]);imshow(我)
输入到shufflenet需要进一步的预处理（有关更多详细信息，请参阅ONNX模型动物园中的ShuffleNet）.重新调节图像。对图像进行归一化，方法是减去训练图像的均值并除以训练图像的标准差。
I=重新缩放（I，0,1）；平均值=[0.485 0.456 0.406]；标准差分=[0.229 0.224 0.225]；I=（I-重塑（平均值，[1-13]）。/重塑（标准差分，[1-13]）；显示（I）
从其中导入类名挤压网，它也使用来自ImageNet数据库的图像进行训练。
网= squeezenet;一会= net.Layers .ClassNames(结束);
通过指定要分类的图像来计算类概率我和ONNXParameters对象参数个数作为模型函数的输入参数Shufflenetfcn.．
分数=fcn（I，参数）；
找到概率最高的类索引。显示输入图像的预测类和相应的分类得分。
indMax =找到(分数= = max(分数));类名(indMax)
ans =1×1单元阵列{'孔雀'}
scoreMax =分数(indMax)
scoreMax = 0.7517
使用自定义训练循环导入ONNX函数
导入挤压网将卷积神经网络作为函数，用迁移学习对预先训练好的网络进行微调，对新的图像集合进行分类。
这个例子使用了几个辅助函数。要查看这些函数的代码，请参见辅助函数．
解压缩并将新图像加载为图像数据存储。图像数据存储自动标签的图像基于文件夹名称和存储数据作为ImageDatastore对象。映像数据存储使您能够存储大图像数据，包括不适合内存的数据，并在卷积神经网络的训练期间有效地读取批次图像。指定迷你批次大小。
解压缩(“MerchData.zip”）;miniBatchSize = 8;imd = imageDatastore (“MerchData”，．..“IncludeSubfolders”，真的，．..“LabelSource”，'foldernames'，．..“ReadSize”, miniBatchSize);
这个数据集很小，只包含75张训练图像。显示一些示例图像。
numImages =元素个数(imds.Labels);idx = randperm (numImages 16);数字为i = 1:16 subplot(4,4,i) i = readimage(imds,idx(i));imshow(我)结束
提取训练集，对分类标签进行一次性编码。
XTrain=readall（imds）；XTrain=单个（类别（4，XTrain{:}））；YTrain_categ=分类（imds.标签）；YTrain=一个热编码（YTrain_categ，2）'；
确定数据中类的数量。
类=类别(YTrain_categ);numClasses =元素个数(类)
numClasses = 5
挤压网是一个卷积神经网络，训练了来自ImageNet数据库的100多万张图像。因此，该网络学习了丰富的特征表示范围广泛的图像。该网络可以将图像分为1000个对象类别，如键盘、鼠标、铅笔和许多动物。
进口净化挤压网网络是一种功能。
println () params = importONNXFunction(“squeezenet.onnx”，“squeezenetFcn”）
已将包含导入的ONNX网络的函数保存到文件squeezenetFcn.m中。要学习如何使用这个功能，输入:help squeezenetFcn。
params=ONNXParameters，属性为：Learnables:[1×1结构]Nonlearnables:[1×1结构]状态：[1×1结构]NumDimensions:[1×1结构]网络函数名：'squeezenetFcn'
参数个数是一个ONNXParameters对象，该对象包含网络参数。squeezenetFcn是一个包含网络架构的模型功能。importONNXFunction节省了squeezenetFcn在当前文件夹中。
计算新训练集上预训练网络的分类精度。
AccuracyBeforTraining=GetNetworkAccurance（XTrain、YTrain、params）；fprintf(' %。2f accuracy before transfer learning\n'，准确度（再培训前）；
0.01迁移学习前的准确度
精度非常低。
通过输入显示可学习的网络参数可学参数．这些参数，例如权重(W)及偏见(B）卷积和完全连接的图层，在培训期间由网络更新。在培训期间，非可爱参数保持不变。
预训练网络的最后两个可学习参数配置为1000类。
conv10_W:(1×1×512×1000 dlarray]
conv10_B(1000×1 dlarray):
参数conv10_W和conv10_B必须针对新的分类问题进行微调。通过初始化参数，将参数转换为对五个类进行分类。
params.Learnables.conv10_w = rand（1,1,512,5）;params.Learnables.conv10_b = rand（5,1）;
冻结网络的所有参数将它们转换为非可爱参数。因为您不需要计算冻结层的渐变，所以冻结许多初始层的重量可以显着加速网络训练。
参数=冻结参数（参数，“所有”）;
解冻网络的最后两个参数，将其转换为可学习的参数。
Params = Unfreezeparameters（Params，“conv10_W”）;Params = Unfreezeparameters（Params，“conv10_B”）;
现在网络已经为培训做好了准备。初始化培训进度图。
情节=“培训 - 进展”；如果情节= =“培训 - 进展”figure lineLossTrain=animatedline；xlabel(“迭代”）ylabel（“损失”）结束
指定培训选项。
速度= [];numEpochs = 5;miniBatchSize = 16;numObservations =大小(YTrain, 2);numIterationsPerEpoch =地板(numObservations. / miniBatchSize);initialLearnRate = 0.01;动量= 0.9;衰变= 0.01;
培训网络。
迭代=0；开始=tic；executionEnvironment=“cpu”；%将“gpu”改为在gpu上训练。%循环纪元。为epoch = 1：numepochs%洗牌数据。idx = randperm（numobservations）;XTrain = XTrain（：，：，idx）;YTrain = YTrain（：，IDX）;%在小批量上循环。为i = 1:numIterationsPerEpoch iteration = iteration + 1;%读取小批数据。idx=（i-1）*miniBatchSize+1:i*miniBatchSize；X=XTrain（：，：，：，idx）；Y=YTrain（：，idx）；%如果在GPU上进行训练，则将数据转换为gpuArray。如果（b）执行环境==“汽车”&& canUseGPU) || executionEnvironment ==“GPU”X = gpuArray (X);结束％使用dlfeval和dlfeval评估模型渐变和损失%模型梯度函数。[渐变，损失，状态] = DLFeval（@ Maposgradients，X，Y，Params）;params.state =州;%确定基于时间的衰减学习率计划的学习率。learnRate=初始learnRate/（1+衰减*迭代）；%使用SGDM优化器更新网络参数。(参数。可学的,速度]= sgdmupdate (params.Learnables、渐变速度);%显示训练进度。如果情节= =“培训 - 进展”D =持续时间(0,0,toc(开始),“格式”，“hh: mm: ss”)；添加点（lineLossTrain、迭代、双（聚集（提取数据（丢失）））标题(“时代：”+时代+”,过去:“+ drawnow字符串(D))结束结束结束
微调后计算网络的分类准确性。
accuracyAfterTraining = getNetworkAccuracy (XTrain、YTrain params);流(' %。2f accuracy after transfer learning\n', accuracyAfterTraining);
迁移学习后的准确性
辅助函数
本节提供本示例中使用的helper函数的代码。
的getNetworkAccuracy函数通过计算分类精度来评估网络性能。
函数= getNetworkAccuracy(X,Y,onnxParams) N = size(X,4);onnxParams Ypred = squeezenetFcn (X,“培训”、假);[~, YIdx] = max (Y, [], 1);[~, YpredIdx] = max (Ypred [], 1);numIncorrect = sum(abs(YIdx-YpredIdx) > 0); / /输出精度= 1 - numIncorrect/N;结束
的模型梯度函数计算损失和梯度。
函数[grad, loss, state] = modelGradients(X,Y,onnxParams)“培训”,真正的);损失= crossentropy (y y“数据格式”，'cb'); 梯度=dlgradient（损失，onnxParams.Learnables）；结束
的squeezenetONNX的ONNX模型挤压网网络。
函数挤压网络NX（）导出网络NX（挤压网络，“squeezenet.onnx”）;结束
使用导入的ONNX函数进行序列分类
导入ONNX长短期记忆(LSTM)网络作为函数，使用预先训练好的网络对序列数据进行分类。LSTM网络允许您将序列数据输入到网络中，并根据序列数据的单个时间步长进行预测。
这个例子使用了helper函数准备分子．要查看此函数的代码，请参见Helper函数．
lstmNet具有与中创建的LSTM网络类似的体系结构使用深度学习序列分类．lstmNet训练识别说话人给定的时间序列数据，表示连续说出的两个日语元音。培训数据包含九位发言者的时间序列数据。每个序列有12个特征，长度各不相同。
指定lstmNet作为模型文件。
模型文件='lstmNet.onnx'；
使用导入预训练的ONNX网络作为函数importONNXFunction，它返回ONNXParameters对象参数个数包含网络参数。该函数还在包含网络架构的当前文件夹中创建了一个新的模型函数。指定模型函数的名称lstmnetfcn.．
params = importONNXFunction (modelfile,“lstmnetFcn”）;
已将包含导入的ONNX网络的函数保存到文件lstmnetFcn.m。要学习如何使用这个函数，输入:help lstmnetFcn。
加载日语元音测试数据。XTest.是一个单元格数组，包含370个长度为12的序列。欧美为标签“1”，“2”，…“9”，对应9个发言者。
[XTest，YTest]=日本世界统计数据；
lstmNet使用序列长度相似的小批量进行训练。要以同样的方式组织测试数据，请按序列长度对测试数据进行排序。
numObservationsTest=numel（XTest）；为i = 1：numobservationstest序列= xtest {i};SequenceLengdentStest（i）=大小（序列，2）;结束[sequenceLengthsTest, idx] = (sequenceLengthsTest)进行排序;XTest = XTest (idx);欧美=欧美(idx);
使用准备分子来计算排列向量inputPerm，将输入序列数据的维度顺序排列为导入的LSTM网络输入的维度顺序。你可以打字帮助lstmnetFcn查看网络输入的维度顺序序列输入．
inputPerm = preparePermutationVector ([“特征长度”，“SequenceLength”，“批量化”],．..［“SequenceLength”，“批量化”，“特征长度”]）;
通过指定序列数据来分类来计算类概率XTest.和ONNXParameters对象参数个数作为模型函数的输入参数lstmnetfcn.．通过赋值数字向量自定义输入维度顺序inputPerm到名称值参数“InputDataPermutation”．返回得分在网络输出的维度排序中，通过指定“没有”到名称值参数“OutputDataPermutation”．
为i = 1:length(XTest) scores = lstmnetFcn(XTest{i}，params，“InputDataPermutation”，inputPerm，“OutputDataPermutation”，“没有”)；YPred（i）=查找（分数==最大分数）；结束ypred =分类（ypred'）;
计算预测的分类精度。
acc=sum（YPred==YTest）。/numel（YTest）
acc = 0.9514
Helper函数
本节提供帮助器函数的代码准备分子在这个例子中使用。
的准备分子函数返回一个排列向量烫，它在中排列维度顺序fromDimOrder到中的维度排序toDimOrder．您可以指定输入参数fromDimOrder和toDimOrder例如字符向量、字符串标量、字符串数组、字符向量的单元格数组或数字向量。两个参数必须具有相同的类型和相同的唯一元素。例如,如果fromDimOrder为字符向量“hwcn”，toDimOrder可以是字符向量吗“nchw”（在哪里h，w,c分别对应图像的高度、宽度和通道数量，和n为观测次数)。
函数perm=preparePermutationVector（从DIMORDER到IMORDER）%检查fromDimOrder和toDimOrder是否都是向量。如果~isvector(fromDimOrder) || ~isvector(toDimOrder) error(message()“nnet_cnn_onnx: onnx: FPVtypes”));结束%从dimorder和toDimOrder转换为适当的类型。如果Isstring（fromDimorder）&& iscoalar（fromdimorder）fromdimorder = char（fromdimorder）;结束如果isstring(toDimOrder) && isscalar(toDimOrder) toDimOrder = char(toDimOrder);结束％检查vervimorder和todimorder是否具有唯一的元素。[fromSorted，ifrom]=唯一（fromDimOrder）；[toSorted，~，Itoiv]=唯一（toDimOrder）；如果numel(fromDimOrder) ~= numel(fromDimOrder) error(message())'nnet_cnn_onnx：onnx：fpvfromunique'));结束如果numel(toDimOrder) ~= numel(toDimOrder) error(message())“nnet_cnn_onnx: onnx: FPVtounique”));结束%检查fromDimOrder和toDimOrder的元素数是否相同。如果~isequal（从排序到排序）错误（消息(“nnet_cnn_onnx: onnx: FPVsame”));结束计算排列向量。ifrom烫= (iToInv);烫=烫发(:)”;结束
输入参数
输出参数
限制
importONNXFunction金宝app支持这些ONNX版本:ONNX中间表示版本6
ONNX操作符将7设置为13
更多关于
提示
选择功能
importONNXFunction当无法使用导入预训练的ONNX网络时，此选项非常有用importonnxnetwork.．如果您想为预先训练的网络生成代码，请使用重要人物．使用。查找并替换生成的占位符层findPlaceholderLayers和replaceLayer,分别。然后,用装配网络返回一个Dagnetwork.对象。你可以为训练有素的人生成代码Dagnetwork.．有关最适合不同场景的导入函数的更多信息，请参见选择要导入Onnx预磨损网络的功能．
另请参阅
你也可以从以下列表中选择一个网站:
