PlaceholderLayer
层替换不支持的Keras或金宝appONNX层或不支持的功能金宝appfunctionToLayerGraph
描述
PlaceholderLayer是一个图层importKerasLayers和importONNXLayers插入到层数组或层图中，代替不支持的Keras或ONNX™层。金宝app它也可以表示不支持的功能金宝appfunctionToLayerGraph．
创建
从Keras或ONNX网络导入层，如果层不被深度学习工具箱™支持，则创建金宝appPlaceholderLayer对象。此外，当您创建一个层图形使用functionToLayerGraph，不支持金宝app的功能导致PlaceholderLayer对象。
属性
例子
找到并探索占位符层
指定从其中导入层的Keras网络文件。
modelfile =“digitsDAGnetwithnoise.h5”;
导入网络架构。网络包括一些不被深度学习工具箱支持的层类型。金宝app的importKerasLayers函数用占位符层替换每个不支持的层，并返回一个警告消金宝app息。
lgraph = importKerasLayers (modelfile)
警告:无法导入一些Keras层，因为它们不被深度学习工具箱支持。金宝app它们已经被占位符层所取代。要找到这些层，在返回的对象上调用findPlaceholderLayers函数。
lgraph = LayerGraph with properties: Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
显示已导入的网络层。两个占位符层取代了Keras网络中的高斯噪声层。
lgraph。层
ans = 15x1有层的层数组:1“input_1”图像输入28 x28x1图片2的conv2d_1卷积20 7 x7旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4 conv2d_2的卷积20 3 x3的隆起与步幅[1]和填充“相同”5“conv2d_2_relu”ReLU ReLU 6“gaussian_noise_1”占位符层占位符的GaussianNoise Keras 7层gaussian_noise_2的占位符层占位符的GaussianNoise Keras层8“max_pooling2d_1”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”9“max_pooling2d_2”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”10“flatten_1”Keras平压平激活成一维假设c风格的(行)11'dense_1' full Connected 10 full Connected layer 14 'activation_1' Softmax Softmax 15 ' classiationlayer_activation_1 'Classification Output crossenropyex . ' class_layer_activation_1 ' class_output crossenropyex .
找到占位符层使用findPlaceholderLayers．输出参数包含两个占位符层importKerasLayers插入代替Keras网络的高斯噪声层。
占位符= findPlaceholderLayers (lgraph)
PLACEHOLDER = 2x1有图层的PLACEHOLDER数组:1' gaussian_noise_1' PLACEHOLDER LAYER 'GaussianNoise' Keras LAYER 2' gaussian_noise_2
为每个占位符层指定一个名称。
gaussian1 =占位符(1);gaussian2 =占位符(2);
显示每个占位符层的配置。
gaussian1。KerasConfiguration
ans =结构体字段:Trainable: 1 name: 'gaussian_noise_1' stddev: 1.5000
gaussian2。KerasConfiguration
ans =结构体字段:Trainable: 1 name: 'gaussian_noise_2' stddev: 0.7000
从预先训练的Keras层组装网络
这个例子展示了如何从预先训练的Keras网络中导入层，用自定义层替换不支持的层，并将这些层组装成一个可供预测的网络。金宝app
进口Keras网络
从Keras网络模型中导入层。网络在“digitsDAGnetwithnoise.h5”对数字图像进行分类。
文件名=“digitsDAGnetwithnoise.h5”;lgraph = importKerasLayers(文件名,“ImportWeights”,真正的);
警告:无法导入一些Keras层，因为它们不被深度学习工具箱支持。金宝app它们已经被占位符层所取代。要找到这些层，在返回的对象上调用findPlaceholderLayers函数。
Keras网络包含了一些深度学习工具箱不支持的层。金宝app的importKerasLayers函数显示一个警告并将不支持的层替换为占位符层。金宝app
使用。绘制层图情节．
图绘制(lgraph)标题(“进口网络”）
替换占位符层
要替换占位符层，首先确定要替换的层的名称。找到占位符层使用findPlaceholderLayers．
placeholderLayers = findPlaceholderLayers (lgraph)
placeholderLayers = 2x1 PlaceholderLayer array with layers: 1' gaussian_noise_1' PLACEHOLDER LAYER 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER 'GaussianNoise' Keras LAYER
显示这些层的Keras配置。
placeholderLayers。KerasConfiguration
ans =结构体字段:Trainable: 1 name: 'gaussian_noise_1' stddev: 1.5000
ans =结构体字段:Trainable: 1 name: 'gaussian_noise_2' stddev: 0.7000
定义一个自定义高斯噪声层。要创建这个图层，保存文件gaussianNoiseLayer.m在当前文件夹中。然后，创建两个高斯噪声层与导入Keras层相同的配置。
gnLayer1 = gaussianNoiseLayer (1.5,“new_gaussian_noise_1”）;gnLayer2 = gaussianNoiseLayer (0.7,“new_gaussian_noise_2”）;
将占位符图层替换为自定义图层usingreplaceLayer．
lgraph = replaceLayer (lgraph,“gaussian_noise_1”, gnLayer1);lgraph = replaceLayer (lgraph,“gaussian_noise_2”, gnLayer2);
使用。绘制更新后的层图情节．
图绘制(lgraph)标题(“替换图层的网络”）
指定类名
如果导入的分类层不包含这些类，则必须在预测之前指定这些类。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。
方法查找分类层的索引层层图的属性。
lgraph。层
ans = 15x1有层的层数组:1“input_1”图像输入28 x28x1图片2的conv2d_1卷积20 7 x7x1旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4 conv2d_2的卷积20 3 x3x1旋转步[1]和填充“相同”5“conv2d_2_relu”ReLU ReLU 6 new_gaussian_noise_1高斯噪声的高斯噪声标准差为1.5 7new_gaussian_noise_2高斯噪声的高斯噪声标准差为0.7 8“max_pooling2d_1”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”9“max_pooling2d_2”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”10 ' flatten_1 Keras平压平激活成一维假设c风格的(行)11'dense_1' full Connected 10 full Connected layer 14 'activation_1' Softmax Softmax 15 ' classiationlayer_activation_1 'Classification Output crossenropyex . ' class_layer_activation_1 ' class_output crossenropyex .
分类层有名称“ClassificationLayer_activation_1”．查看分类层，检查类财产。
粘土= lgraph.Layers(结束)
class: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: ' crossenropyex '
因为类层的属性是“汽车”，则必须手动指定类。将类设置为0，1、……9，然后用新的分类层替换导入的分类层。
粘土。类=字符串(0:9)
[0 1 2 3 4 5 6 7 8 9] classweight: 'none' OutputSize: 10 Hyperparameters LossFunction: ' crossenropyex '
lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);
组装网络
使用组合图层图assembleNetwork．函数返回DAGNetwork对象，可用于预测。
净= assembleNetwork (lgraph)
net = DAGNetwork with properties: Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {' classiationlayer_activation_1 '}
你也可以从以下列表中选择一个网站:
