主要内容

importonnxnetwork.

导入净化onnx.网络

页面上倒塌

语法

网= importONNXNetwork (modelfile OutputLayerType, outputtype)
net = importonnxnetwork（模块，'outputlayertype'，OutputType，'类'，类）

描述

净= importONNXNetwork (modelfile“OutputLayerType”,OutputType.）从Onnx™（开放神经网络交换）文件中导入掠夺网络modelfile并指定导入网络的输出层类型。

此功能需要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

净= importONNXNetwork (modelfile“OutputLayerType”,OutputType.“类”,班级）另外指定分类网络的类。

例子

全部折叠

此示例使用：

下载并安装深度学习工具箱转换器，用于ONNX模型格式金宝app支持包。

类型importonnxnetwork.在命令行。

importonnxnetwork.

如果深度学习工具箱转换器，用于ONNX模型格式如果未安装，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．通过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，则函数返回aDagnetwork.对象。

modelfile =.'cifarresnet.onnx'；类= [“飞机”“汽车”“鸟”“猫”“迪”“狗”“青蛙”“马”“船”“卡车”];net = importonnxnetwork（模块，'outputlayertype'，'分类'，“类”，课程）
net = DAGNetwork with properties: Layers: [77×1 net.cnn.layer. layer]连接:[85×2 table]

此示例使用：

打开生活的脚本

导入在CIFAR-10数据集上培训的剩余神经网络。指定包含ONNX网络，其输出类型及其输出类的文件。

modelfile =.'cifarresnet.onnx'；类= [“飞机”“汽车”“鸟”“猫”“鹿”“狗”“青蛙”“马”“船”“卡车”];net = importonnxnetwork（模块，'outputlayertype'，'分类'，“类”，课程）
net =具有属性的Dagnetwork：图层：[77×1 nnet.cnn.layer.layer]连接：[85×2表]输入名称：{'input_input'}输出名：{'classificationlayer_softmax'}

分析导入的网络。

analyzeNetwork(净)

输入参数

全部折叠

包含网络的ONNX模型文件的名称，指定为字符向量或字符串标量。该文件必须位于当前文件夹中，在MATLAB上的文件夹中®路径，否则必须包含文件的完整路径或相对路径。

例子：'cifarresnet.onnx'

该函数附加到导入网络末尾的输出层的类型，指定为'分类'，'回归'， 要么“pixelclassification”．使用“pixelclassification”附加一个pixelClassificationLayer(计算机视觉工具箱)对象(需要计算机视觉工具箱™)。

如果是网络modelfile有多个输出，则不能使用此参数指定输出层类型。使用importonnxLayers.代替。importonnxLayers.为输出插入占位符层。导入之后，您可以使用findPlaceholderLayers和replaceLayer,分别。

例子：'回归'

输出层的类，指定为分类向量，字符串阵列，字符向量的单元格数组，或“汽车”．如果班级是“汽车”，然后软件将类设置为分类(1:N)， 在哪里N是课程的数量。如果指定字符串数组或字符向量数组str.，然后软件将输出层的类设置为分类（str，str）．

数据类型：char|分类|细绳|细胞

输出参数

全部折叠

磨粉网络，返回Dagnetwork.对象。

限制

  • importonnxnetwork.金宝app支持的ONNX版本如下:

    • 该函数支持版本6的ONNX金宝app中间表示。

    • 该功能完全支持ONNX操作员设置6,7金宝app,8和9。

    • 该函数提供了对ONNX操作符集10和11的有限支持。金宝app

请注意

如果导入导出的网络，则可导入的网络层可能与原始网络不同，可能无法支持。金宝app

更多关于

全部折叠

金宝app支持的onnx.层数

importonnxnetwork.金宝app支持以下ONNX图层，其中有一些限制：

ONNX层 深度学习工具箱层

添加

 additionLayer要么nnet.onnx.layer.ElementwiseAffineLayer

平均泡泡

 普通Pooling2dlayer.

Batchnormalization.

 BatchnormalizationLayer.

拍

 concatenationLayer

常数

 没有（作为重量导入）

conv＊

 convolution2dLayer

Converranspose.

 transposedConv2dLayer

退出

 dropoutLayer

Elu

 eluLayer

宝石

 fullyConnectedLayer如果Onnx网络是复发的，否则nnet.onnx.layer.flattenlayer.紧随其后的是convolution2dLayer

GlobalaveragePool.

 GlobalaveragePooling2dlayer.

GlobalMaxPool

 globalMaxPooling2dLayer

格勒乌

 gruLayer

InstanceNormalization

 groupNormalizationLayer与numGroups指定为“channel-wise”

LeakyRelu

 leakyReluLayer

lrn.

 CrosschannelnormalizationLayer.

LSTM.

 lstmlayer.要么Bilstmlayer.

Matmul.

 fullyConnectedLayer如果Onnx网络是复发的，否则convolution2dLayer

maxpool.

 maxpooling2dlayer.

m

 多功能层

雷

 reluLayer要么思考

乙状结肠

 sigmoidlayer.

Softmax

softmaxlayer.

和

 additionLayer

双曲正切

 tanhLayer

＊如果垫属性的convOperator是一个只有两个元素的向量[P1，P2]，importonnxnetwork.进口conv作为一个convolution2dLayer使用名称值参数'填充'指定为(p1, p2, p1, p2)．

ONNX层 Onnx Importer自定义图层

夹子

 nnet.onnx.layer.ClipLayer

Div

 nnet.onnx.layer.ElementwiseAffineLayer

平

 nnet.onnx.layer.flattenlayer.要么nnet.onnx.layer.flatten3dlayer.

身份

 nnet.onnx.layer.identityLayer.

ImageScaler

 nnet.onnx.layer.ElementwiseAffineLayer

prelu.

 nnet.onnx.layer.prelulayer.

重塑

 nnet.onnx.layer.flattenlayer.

亚

 nnet.onnx.layer.ElementwiseAffineLayer
ONNX层 图像处理工具箱™
堤防 DepthTospace2dlayer.（图像处理工具箱）
调整 resize2dlayer.（图像处理工具箱）要么resize3dlayer.（图像处理工具箱）
SpaceToDepth spacetodepthlayer.（图像处理工具箱）
Upsample resize2dlayer.（图像处理工具箱）要么resize3dlayer.（图像处理工具箱）

提示

  • 如果ONNX网络包含一个层深度学习工具箱转换器，用于ONNX模型格式不支持（见金宝app金宝app支持的ONNX层）， 然后importonnxnetwork.返回错误消息。在这种情况下，您仍然可以使用importonnxLayers.导入网络架构和权重。

  • 使用以下命令可以导入具有多个输入和单个输出的ONNX网络importonnxnetwork.．如果网络有多个输出，请使用importonnxLayers.．的importonnxLayers.功能插入输出的占位符层。导入之后，您可以使用findPlaceholderLayers和replaceLayer,分别。例如，请参见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，请参阅多输入和多输出网络．

  • 要使用预先训练的网络对新图像进行预测或迁移学习，必须以与用于训练导入模型的图像的预处理相同的方式对图像进行预处理。最常见的预处理步骤是调整图像大小，减去图像平均值，以及将图像从BGR图像转换为RGB图像。

    • 要调整图像大小，请使用imresize.．例如,imresize（图像，[227,227,3]）．

    • 要将RGB转换为BGR格式，请使用翻转．例如,翻转（图像，3）．

    有关预处理图像进行培训和预测的更多信息，请参阅深度学习的图像预处理．

兼容性的考虑

展开全部

不推荐以R2018B开始

参考

[1]开放式神经网络交换．https://github.com/onnx/．

［2］onnx.．https://onnx.ai/．

另请参阅

||||||||

主题

介绍了R2018a

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