onnx参数
输入参数ONNX深度学习网络
描述
onnx参数包含导入的ONNX的参数（如权重和偏差）™ （开放式神经网络交换）网络。使用onnx参数执行迁移学习等任务。
创造
创建一个onnx参数通过使用importONNXFunction．
性质
对象的功能
addParameter |
将参数添加到onnx参数对象 |
冻结参数 |
在中转换可学习的网络参数onnx参数无法学习 |
移除参数 |
将参数从onnx参数对象 |
unfreezeParameters |
在中转换不可学习的网络参数onnx参数可学 |
例子
使用自定义训练循环训练导入的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．
将新图像解压缩并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。图像数据存储使您能够存储大型图像数据，包括内存中不适合的数据，并在卷积神经网络训练期间高效地读取图像批。指定最小批大小。
解压(“MerchData.zip”); miniBatchSize=8；imds=图像数据存储(“MerchData”，...“包含子文件夹”符合事实的...“标签源”，“foldernames”，...“ReadSize”, miniBatchSize);
该数据集很小，包含75个训练图像。显示一些示例图像。
numImages=numel（imds.Labels）；idx=randperm（numImages，16）；图为i=1:16子批次（4,4，i）i=readimage（imds，idx（i））；imshow（I）结束
提取训练集并对分类标签进行热编码。
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）'；
确定数据中的类数。
类=类别(YTrain_categ);numClasses =元素个数(类)
numClasses = 5
挤压网是一种卷积神经网络，它对来自ImageNet数据库的100多万张图像进行训练。因此，该网络已经学习了广泛图像的丰富特征表示。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。
导入预训练的挤压网网络是一种功能。
println () params = importONNXFunction('squeezenet.onnx'，“squeezenetFcn”）
包含导入的ONNX网络的函数已保存到文件squeezenetFcn.m中。要了解如何使用此功能，请键入：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onnx参数对象，该对象包含网络参数。挤压是包含网络体系结构的模型函数。importONNXFunction节省了挤压在当前文件夹中。
计算新训练集上预训练网络的分类精度。
AccuracyBeforTraining=GetNetworkAccurance（XTrain、YTrain、params）；fprintf(“%.2f迁移学习前的准确度\n”，准确度（再培训前）；
迁移学习前的准确度为0.01
准确度很低。
通过输入显示可学习的网络参数参数个数。可学．这些参数，例如权重(W)及偏见(B)在训练过程中，网络会更新卷积层和完全连接层。不可学习的参数在训练期间保持不变。
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（1,1512,5）；params.Learnables.conv10_B=rand（5,1）；
冻结网络的所有参数以将其转换为不可学习的参数。由于不需要计算冻结层的梯度，因此冻结许多初始层的权重可以显著加快网络训练。
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。
参数=解冻参数（参数，“conv10_W”); 参数=解冻参数（参数，“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=“培训进度”；如果阴谋==“培训进度”figure lineLossTrain=animatedline；xlabel(“迭代”)伊拉贝尔(“损失”）结束
指定培训选项。
速度=[]；numEpochs=5；miniBatchSize=16；numObservations=大小（YTrain，2）；numIterationsPerEpoch=楼层（numObservations./miniBatchSize）；initialLearnRate=0.01；动量=0.9；衰减=0.01；
培训网络。
迭代=0；开始=tic；executionEnvironment=“cpu”；%将“gpu”改为在gpu上训练。%环游各个时代。为历元=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迭代=迭代+1；%读取小批量数据。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==“自动”&& canUseGPU) || executionEnvironment ==“gpu”X = gpuArray (X);结束%使用dlfeval和%模型梯度函数。[gradients，loss，state]=dlfeval（@modelGradients，X，Y，params）；params.state=state；%确定基于时间的衰减学习速率计划的学习速率。learnRate=初始learnRate/（1+衰减*迭代）；%使用SGDM优化器更新网络参数。[params.Learnables，velocity]=sgdmupdate（params.Learnables，渐变，velocity）；%显示训练进度。如果阴谋==“培训进度”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:“+字符串（D）现在开始结束结束结束
计算微调后网络的分类精度。
accuracyAfterTraining = getNetworkAccuracy (XTrain、YTrain params);流(' %。2f迁移学习后的准确性\n'，准确度（培训后）；
迁移学习后的准确性
辅助函数
本节提供本示例中使用的帮助器函数的代码。
的GetNetworkAccurance函数通过计算分类精度来评估网络性能。
作用= 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modelGradients函数计算损失和梯度。
作用[grad，loss，state]=模型梯度（X，Y，onnxParams）[Y，state]=挤压netfcn（X，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
的挤压函数生成挤压网网络
作用挤压网络NX（）导出网络NX（挤压网络，'squeezenet.onnx'）;结束
移动ONNX功能导入程序错误标记的参数
导入以ONNX格式保存为函数的网络，并使用冻结或解冻．
导入预训练的simplenet.onnx网络是一种功能。单纯形是一种基于数字图像数据的简单卷积神经网络。有关如何创建的详细信息，请参见单纯形,请参阅创建简单的图像分类网络．
进口simplenet.onnx使用importONNXFunction，则返回onnx参数对象，该对象包含网络参数。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为单纯形．
params=importonxfunction(“simplenet.onnx”，“simplenetFcn”）;
已将包含导入的ONNX网络的函数保存到simplenetFcn.m文件中。要学习如何使用这个函数，输入:help simplenetFcn。
importONNXFunction将导入的网络参数标记为可学（培训期间更新的参数）或Nonlearnables(训练期间保持不变的参数)。标签并不总是准确的。推荐的做法是检查参数是否分配给正确的结构参数个数。可学或参数个数。Nonlearnables．显示导入网络的可学习和不可学习参数。
参数个数。可学
ans =结构体字段:imageinput_Mean:[1×1 dlarray]conv_W:[5×5×1×20 dlarray]conv_B:[20×1 dlarray]batchnorm_比例：[20×1 dlarray]batchnorm_B:[20×1 dlarray]fc_W:[24×24×20×10 dlarray]fc_B:[10×1 dlarray]
参数个数。Nonlearnables
ans =结构体字段:CONVSTRIP1004:[2×1 dlarray]CONVSDILLATION1005:[2×1 dlarray]CONVSPADDING1006:[4×1 dlarray]CONVSTRIP1007:[2×1 dlarray]CONVSDILLATION1008:[2×1 dlarray]CONVSPADDING1009:[4×1 dlarray]
注意参数个数。可学包含的参数图像输入平均值，在训练期间应保持不变(请参阅意思是的属性图像输入层).皈依图像输入平均值到一个不可学习的参数。的冻结参数函数删除该参数图像输入平均值从…起可学参数并将其添加到参数个数。Nonlearnables按顺序。
参数=冻结参数（参数，“imageinput_Mean”）;
显示更新的可学习和不可学习参数。
参数个数。可学
ans =结构体字段:conv_W:[5×5×1×20 dlarray]conv_B:[20×1 dlarray]batchnorm_比例：[20×1 dlarray]batchnorm_B:[20×1 dlarray]fc_W:[24×24×20×10 dlarray]fc_B:[10×1 dlarray]
参数个数。Nonlearnables
ans =结构体字段:ConvStride1004: [2×1 dlarray] ConvDilationFactor1005: [2×1 dlarray] ConvStride1007: [2×1 dlarray] convstride1008: [2×1 dlarray] ConvPadding1009: [4×1 dlarray] imageinput_Mean: [1×1 dlarray]
提示
将新值指定给对象时，以下规则适用
参数个数。可学参数：软件会自动将新值转换为新值
dlarray．新值必须与的现有值兼容
参数个数。NumDimensions．
importONNXFunction派生结构的字段名可学，Nonlearnables和状态来自导入的ONNX模型文件中的名称。导入的网络之间的字段名称可能不同。
您还可以从以下列表中选择网站：
