导入一个预先训练的TensorFlow网络，以保存的模型格式为LayerGraph对象。然后，将导入的图层组装成Dagnetwork.目标，并利用组合网络对图像进行分类。

指定模型文件夹。

如果~ (“digitsDAGnet”，“dir”)解压缩(“digitsDAGnet.zip”）结尾modelFolder ='./digitsdagnet'；

指定类名。

ClassNames = {' 0 '，' 1 '，' 2 '，“3”，'4'，'5'，'6'，'7'，'8'，'9'}；

以保存的模型格式导入TensorFlow网络的层和权重。默认情况下,importtensorflowlayers.导入网络LayerGraph对象与a兼容Dagnetwork.对象。指定图像分类问题的输出层类型。

lgraph = importTensorFlowLayers (modelFolder,“OutputLayerType”，“分类”）

导入保存的模型…翻译模型，这可能需要几分钟…完成了翻译

lgraph = LayerGraph with properties: Layers: [13×1 nnet.cnn.layer.Layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

显示导入网络的最后一层信息。输出显示importtensorflowlayers.追加A.ClassificationOutputLayer到最后的网络架构。

Layers（结束）

ans = classiationoutputlayer with properties: Name: ' classiationlayer_activation_1 ' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: ' crossenropyex '

分类层不包含这些类，因此必须在组装网络之前指定这些类。如果不指定类，则软件自动将类设置为1，2、……N,在那里N是班级的数量。

分类层具有名称“ClassificationLayer_activation_1”．将类设置为Classnames.然后将导入的分类层替换为新的分类层。

Clayer = Lapraph.Layers（END）;clayer.classes = classnames;Lgraph =替换剂（LGROPE，“ClassificationLayer_activation_1”、粘土);

使用组合图层图assembleNetwork返回一个Dagnetwork.对象。

净= assembleNetwork (lgraph)

net = DAGNetwork with properties: Layers: [13×1 nnet.cnn.layer.Layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

阅读要对的图像进行分类。

digitdatasetpath = fullfile（toolboxdir（“nnet”），“nndemos”，'nndatasets'，'digitdataset'）;i = imread（fullfile（digitdatasetpath，'5'，'image4009.png'));

利用导入的网络对图像进行分类。

标签=分类(净,我);

显示图像和分类结果。

imshow (I)标题(['分类结果'一会{标签}])

导入一个预先训练的TensorFlow网络，以保存的模型格式为LayerGraph对象与a兼容dlnetwork对象。然后,把LayerGraph对象一个dlnetwork对图像进行分类

指定模型文件夹。

如果~ (“digitsDAGnet”，“dir”)解压缩(“digitsDAGnet.zip”）结尾modelFolder ='./digitsdagnet'；

指定类名。

ClassNames = {' 0 '，' 1 '，' 2 '，“3”，'4'，'5'，'6'，'7'，'8'，'9'}；

导入TensorFlow网络作为层兼容dlnetwork对象。

lgraph = importTensorFlowLayers (modelFolder,“TargetNetwork”，'dlnetwork'）

导入保存的模型…翻译模型，这可能需要几分钟…完成了翻译

连接:[12×2 table] InputNames: {'input_1'} OutputNames: {1×0 cell}

读取要分类的图像并显示图像的大小。该图像是一个灰度(单通道)图像，大小为28 × 28像素。

digitdatasetpath = fullfile（toolboxdir（“nnet”），“nndemos”，'nndatasets'，'digitdataset'）;i = imread（fullfile（digitdatasetpath，'5'，'image4009.png'));大小(我)

ans =.1×228日28日

将导入的图层图转换为adlnetwork对象。

dlnet = dlnetwork (lgraph);

显示网络的输入大小。在这种情况下，图像尺寸与网络输入大小匹配。如果它们不匹配，则必须通过使用映像大小imresize(我netInputSize (1:2))．

dlnet.Layers (1) .InputSize

ans =.1×328日28日1

将图像转换为dlarray.．使用尺寸格式化图像“SSCB”(空间、空间、通道、批处理)。在这个例子中，批大小是1，你可以省略它('SSC'）。

I_dlarray = dlarray(单(我),“SSCB”）;

对样本图像进行分类，找到预测的标签。

概率=预测(dlnet I_dlarray);[~,标签]= max(概率);

显示图像和分类结果。

imshow (I)标题(['分类结果'一会{标签}])

导入一个预先训练的TensorFlow网络，以保存的模型格式为LayerGraph对象。然后，将导入的图层组装成Dagnetwork.对象。导入的网络包含不支持转换为内置MATLAB层的层。金宝app当您导入这些层时，软件会自动生成自定义层。

本例使用helper函数findCustomLayers．要查看此功能的代码，请参阅Helper函数．

指定模型文件夹。

如果~ (“digitsDAGnetwithnoise”，“dir”)解压缩('digitsdagnetwithnoise.zip'）结尾modelFolder =”。/ digitsDAGnetwithnoise '；

指定类名。

ClassNames = {' 0 '，' 1 '，' 2 '，“3”，'4'，'5'，'6'，'7'，'8'，'9'}；

以保存的模型格式导入TensorFlow网络的层和权重。默认情况下,importtensorflowlayers.导入网络LayerGraph对象与a兼容Dagnetwork.对象。指定图像分类问题的输出层类型。

lgraph = importTensorFlowLayers (modelFolder,“OutputLayerType”，“分类”）;

导入保存的模型…翻译模型，这可能需要几分钟…完成了翻译

如果导入的网络包含不支持转换为内置MATLAB层的层，那么金宝appimporttensorflowlayers.可以自动生成自定义图层来代替这些图层。importtensorflowlayers.将每个生成的自定义图层保存到单独的．m包中的文件+ digitsdagnetwithnoise.在当前文件夹中。

使用helper函数查找自动生成的自定义层的索引findCustomLayers，并显示自定义层。

印第安纳州= findCustomLayers (lgraph。层,' + digitsDAGnetwithnoise '）;lgraph.Layers(印第安纳州)

ans = 2×1带有层的层数组:1' gaussian_noise_1' GaussianNoise digitsDAGnetwithnoise。kgaussiananise1layer3766 2' gaussian_noise_2' GaussianNoise digitsdagnetwithnoise . kgaussiananise2layer3791

分类层不包含这些类，因此必须在组装网络之前指定这些类。如果不指定类，则软件自动将类设置为1，2、……N,在那里N是班级的数量。

分类层具有名称“ClassificationLayer_activation_1”．将类设置为Classnames.然后将导入的分类层替换为新的分类层。

Clayer = Lapraph.Layers（END）;clayer.classes = classnames;Lgraph =替换剂（LGROPE，“ClassificationLayer_activation_1”、粘土);

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

净= assembleNetwork (lgraph)

net = DAGNetwork with properties: Layers: [15×1 nnet.cnn.layer.Layer] Connections: [15×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

功能indices = findcustomlayers（图层，packageName）s =什么（[‘。’PackageName]);指数= 0(1、长度(小);为i = 1：长度（层）为j = 1:长度(小)如果strcmpi(类(层(i)), [PackageName(2:结束)“。”s.m {j}（1：end-2）]）指数（j）= i;结尾结尾结尾结尾