importONNXLayers
导入层ONNX网络
描述
例子
下载并安装深度学习工具箱转换器ONNX模型格式
下载并安装ONNX模型格式的深度学习工具箱转换器金宝app支持包。
类型importONNXLayers在命令行。
importONNXLayers
如果ONNX模型格式的深度学习工具箱转换器未安装，那么该函数提供了在附加资源管理器中的所需支持包的链接。金宝app要安装支持包，请单击“链接”，金宝app然后单击安装．从模型文件导入网络检查安装是否成功'cifarresnet.onnx'在命令行。如果安装了支持金宝app包，则该函数返回aDagnetwork.目的。
modelfile ='cifarresnet.onnx';图层= importonnxLayers（模数，“OutputLayerType”那“分类”）
layers = LayerGraph with properties: layers: [77×1 net.cnn.layer. layer]连接:[85×2 table]
导入ONNX网络架构
导入在CIFAR-10数据集上培训的剩余神经网络的体系结构和权重。指定包含ONNX网络的文件和要添加到导入的网络的输出层的类型。
modelfile ='cifarresnet.onnx';lgraph = importonnxLayers（模块，．..“OutputLayerType”那“分类”那．..'进口重量'，真的）
LAGHAGH =具有属性的分层图：图层：[77×1 nnet.cnn.layer.layer]连接：[85×2表]输入名称：{'input_input'} OutputNames：{'classificationLayer_softmax'}
分析导入的网络结构。
analyzeNetwork (lgraph)
具有多个输出的导入和组装ONNX网络
导入使用多个输出的ONNX网络importONNXLayers．函数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。
指定从中导入图层和权重的网络文件。
modelfile ='digitsmimo.onnx';
网络in.digitsmimo.onnx.有两个输出层:一个分类层分类的数字和一个回归层计算的均方误差的预测角度的数字。导入的层和权重模数．
层= importONNXLayers ('digitsmimo.onnx'那'进口重量'，真的）
警告：ONNX网络具有多个输出。importonnxlayers为输出插入占位符层。通过使用FindPlaceHolderLayers和RepliceLayer来查找并替换图层。
图层=具有属性的分层图：图层：[19×1 nnet.cnn.layer.layer]连接：[19×2表] InputNames：{'input_input'} OutputNames：{1×0小区}
importONNXLayers显示警告并为输出层插入占位符层。
使用图层图阴谋．
情节（层）
图层图具有两个输出图层：Output_fc_1_Flatten和output_sm_1.．这两层是输出的占位符。您可以通过查看占位符层来查看层属性或使用FindPlaceHolderLayers.功能。
图层.Layers.
ANS = 19×1层阵列，带有层：1'INPUT_INPUT'图像输入28×28×1图像2'CONC_1'卷积16 5×5×1卷绕升温[11]和填充[2 2 2 2] 3'BN_1'批量归一化批量归一化与16个通道4'Relu_1'Relu Relu 5'Conv_2'卷积32 1×1×16卷绕升温[2 2]和填充[0 0 0 0] 6'CONC_3'卷积32 3×3×16 convolutions with stride [2 2] and padding [1 1 1 1] 7 'BN_2' Batch Normalization Batch normalization with 32 channels 8 'relu_2' ReLU ReLU 9 'conv_4' Convolution 32 3×3×32 convolutions with stride [1 1] and padding [1 1 1 1] 10 'BN_3' Batch Normalization Batch normalization with 32 channels 11 'relu_3' ReLU ReLU 12 'plus_1' Addition Element-wise addition of 2 inputs 13 'fc_1' Convolution 1 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0] 14 'fc_2' Convolution 10 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0] 15 'sm_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order 16 'sm_1' Softmax softmax 17 'Output_sm_1' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator 18 'fc_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order 19 'Output_fc_1_Flatten' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator
PlaceHolderLayers = FindPlaceHolderLayers（层）
placeholderLayers = 2×1 PlaceholderOutputLayer数组:1' Output_sm_1' PLACEHOLDER LAYER PLACEHOLDER for 'Output' ONNX operator 2 'Output_fc_1_Flatten' PLACEHOLDER LAYER PLACEHOLDER for 'Output' ONNX operator
创建输出层以替换占位符层。首先，使用名称创建一个分类层output_sm_1.．指定输出层的类为0.那1，......，9.．如果未指定类，则软件会自动将其设置为1那2，......，N,在那里N是课程的数量。
Output1 = ClassificationLayer（'名称'那“Output_sm_1”那'课程'，字符串（0：9））;
使用名称创建一个回归层Output_fc_1_Flatten．
Output2 =回归线（'名称'那“Output_fc_1_Flatten”）;
将占位符层替换为输出1和输出2使用替换剂．
图层=替换器（图层，“Output_sm_1”，输出1）;图层=替换器（图层，“Output_fc_1_Flatten”, output2);
显示层属性层图的确认替换。
图层.Layers.
ANS = 19×1层阵列，带有层：1'INPUT_INPUT'图像输入28×28×1图像2'CONC_1'卷积16 5×5×1卷绕升温[11]和填充[2 2 2 2] 3'BN_1'批量归一化批量归一化与16个通道4'Relu_1'Relu Relu 5'Conv_2'卷积32 1×1×16卷绕升温[2 2]和填充[0 0 0 0] 6'CONC_3'卷积32 3×3×16 convolutions with stride [2 2] and padding [1 1 1 1] 7 'BN_2' Batch Normalization Batch normalization with 32 channels 8 'relu_2' ReLU ReLU 9 'conv_4' Convolution 32 3×3×32 convolutions with stride [1 1] and padding [1 1 1 1] 10 'BN_3' Batch Normalization Batch normalization with 32 channels 11 'relu_3' ReLU ReLU 12 'plus_1' Addition Element-wise addition of 2 inputs 13 'fc_1' Convolution 1 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0] 14 'fc_2' Convolution 10 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0] 15 'sm_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order 16 'sm_1' Softmax softmax 17 'Output_sm_1' Classification Output crossentropyex with '0' and 9 other classes 18 'fc_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order 19 'Output_fc_1_Flatten' Regression Output mean-squared-error
使用assembleNetwork．该函数返回一个Dagnetwork.准备用于预测的对象。
AdderBlynet = AssembLenetwork（图层）
[19×1 nnet.cnn.layer.Layer]连接:[19×2 table] InputNames: {'Input_input'} OutputNames: {'Output_sm_1' 'Output_fc_1_Flatten'}
输入参数
输出参数
限制
importONNXLayers金宝app支持ONNX版本如下：该函数支持ONNX中间表示金宝app版6。
该函数完全支持ONNX操作符集6、7、金宝app8和9。
该功能为ONNX操作员设置10和11提供有限的支持。金宝app
笔记
如果导入导出的网络，则重新导入的网络的层可能与原始网络不同，因此可能不受支持。金宝app
更多关于
提示
如果ONNX网络包含一个层ONNX模型格式的深度学习工具箱转换器不支持（见金宝app金宝app支持ONNX层),然后
importONNXLayers在不支持的层上插入一个占位符层。金宝app要查找网络中不支持的层的名称和索引，请使用金宝appFindPlaceHolderLayers.功能。然后，您可以用您定义的新图层替换占位符。更换层，使用替换剂．例如，看到具有多个输出的导入和组装ONNX网络．您可以使用多个输入和多个输出导入ONNX网络。如果网络具有多个输入和单个输出，请使用
importONNXNetwork．如果网络有多个输出，请使用importONNXLayers．的importONNXLayers函数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。例如，看到具有多个输出的导入和组装ONNX网络．要了解具有多个输入和多个输出的深度学习网络，请参阅多输入多输出网络．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。
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．
也可以看看
assembleNetwork|exportonnxnetwork.|FindPlaceHolderLayers.|importCaffeLayers|ImportCaffenetwork.|importKeraslayers.|importKerasnetwork.|importonnxfunction.|importONNXNetwork|importtensorflowlayers.|importTensorFlowNetwork|替换剂
您还可以从以下列表中选择一个网站：
