导入ONNX格式的网络作为函数，修改网络参数。
导入pretrainedsimpleenet3fc.onnx.网络作为函数。simperenet3fc.是一个简单的卷积神经网络训练的数字图像数据。有关如何创建类似的网络的更多信息simperenet3fc.， 看创建简单的图像分类网络．
进口simpleenet3fc.onnx.使用importonnxfunction.，它返回一个onnxparameters.包含网络参数的对象。该函数还在包含网络架构的当前文件夹中创建一个新的模型函数。指定模型函数的名称simplenetFcn．
包含导入的Onnx网络的函数已保存到文件simpleenetfcn.m文件中。要了解如何使用此功能，请键入：帮助simplenetfcn。
显示在培训期间更新的参数（参数个数。可学的）和在培训期间保持不变的参数（params.nonlearnables.）。
ANS =.结构体字段:imageinput_Mean:[1×1 dlarray] conv_W:[5×5×1×20 dlarray] conv_B:[20×1 dlarray] batchnorm_scale:[20×1 dlarray] batchnorm_B:[20×1 dlarray] fc_1_W:[24×24×20×20 dlarray] fc_1_B:[20×1 dlarray] fc_2_W:[1×1×20×20 dlarray] fc_2_B:[20×1 dlarray] fc_3_W:[1×1×20×10 dlarray] fc_3_B:[10×1 dlarray]
ANS =.结构体字段:ConvStride1004:[2×1 dlarray] ConvDilationFactor1005:[2×1 dlarray] ConvPadding1006:[4×1 dlarray] ConvStride1007:[2×1 dlarray] ConvDilationFactor1008:[2×1 dlarray] ConvPadding1009:[4×1 dlarray] ConvStride1010:[2×1 dlarray] ConvDilationFactor1011:[2×1 dlarray] ConvPadding1012:[4×1 dlarray] ConvStride1013:[2×1 dlarray] commdilationfactor1014：[2×1 dlarray] convpaddated1015：[4×1 dlarray]
网络具有表示三个完全连接的图层的参数。查看卷积层的参数FC_1那FC_2,FC_3.，打开模型功能simplenetFcn．
向下滚动到函数中的层定义simplenetFcn．下面的代码显示了层的定义FC_1那FC_2,FC_3.．
％conv：[权重，偏置，阶段，稀释性，填充，dataformat，numdims.fc_1] = prepareConvargs（vars.fc_1_w，vars.fc_1_b，vars.convstride1007，vars.convdilationfactor1008，vars.convpadding1009,1，numdims.relu1001，numdims.fc_1_w）;vars.fc_1 = dlconv（vars.relu1001，权重，偏见，'走吧'步,“DilationFactor”，稀释物，'填充'，填充，“DataFormat”, dataFormat);％conv：[权重，偏差，步幅，膨胀因子，填充，数据格式，numdim。fc_2] = prepareConvArgs (var。fc_2_W, var。fc_2_B, var。ConvStride1010, var。ConvDilationFactor1011, var。ConvPadding1012 1 NumDims。fc_1 NumDims.fc_2_W);var。FC_2= dlconv(Vars.fc_1, weights, bias,'走吧'步,“DilationFactor”，稀释物，'填充'，填充，“DataFormat”, dataFormat);％conv：[权重，偏见，阶段，稀释，填充，dataformat，numdims.fc_3] = prepareConvargs（vars.fc_3_w，vars.fc_3_b，vars.convstrive1013，vars.convdilationfactor1014，vars.convpaddation101014，vars.convpaddation1015，1，numdims.fc_2，numdims.fc_3_w）;vars.fc_3 = dlconv（vars.fc_2，权重，偏见，'走吧'步,“DilationFactor”，稀释物，'填充'，填充，“DataFormat”, dataFormat);
您可以删除完全连接图层的参数FC_2以降低计算复杂度。在删除中间层之前，请检查上一层的输出尺寸和下一层的输入尺寸参数．在这种情况下，前一层的输出大小FC_1是20，然后是后续层的输入大小FC_3.也是20。
删除图层的参数FC_2通过使用removeParameter．
显示更新的可读和非可爱参数。
ANS =.结构体字段:imageinput_Mean: [1×1 dlarray] conv_W: [5×5×1×20 dlarray] conv_B: [20×1 dlarray] batchnorm_scale: [20×1 dlarray] batchnorm_B: [20×1 dlarray] fc_1_W: [24×24×20×20 dlarray] fc_1_B: [20×1 dlarray] fc_3_W: [1×1×20×10 dlarray] fc_3_B: [10×1 dlarray]
ANS =.结构体字段:CommonStride1004：[2×1 dlarray] concdilationfactor1005：[2×1 dlarray] convpaddation1006：[4×1 dlarray] commonstride1007：[2×1 dlarray] concdilationfactor1008：[2×1 dlarray] convpaddding1009：[4×1 dlarray] converstride1013：[2×1 dlarray] commdilationfactor1014：[2×1 dlarray] convpaddated1015：[4×1 dlarray]
修改模型函数的体系结构以反映更改参数因此，您可以使用网络与新参数预测或培训网络。打开模型功能simplenetFcn．然后，删除完全连接的图层FC_2，并更改卷积操作的输入数据dlconv对于层FC_3.到Vars.fc_1．
下面的代码显示了图层FC_1和FC_3.．
％conv：[权重，偏置，阶段，稀释性，填充，dataformat，numdims.fc_1] = prepareConvargs（vars.fc_1_w，vars.fc_1_b，vars.convstride1007，vars.convdilationfactor1008，vars.convpadding1009,1，numdims.relu1001，numdims.fc_1_w）;vars.fc_1 = dlconv（vars.relu1001，权重，偏见，'走吧'步,“DilationFactor”，稀释物，'填充'，填充，“DataFormat”, dataFormat);％conv：[权重，偏见，阶段，稀释，填充，dataformat，numdims.fc_3] = prepareConvargs（vars.fc_3_w，vars.fc_3_b，vars.convstrive1013，vars.convdilationfactor1014，vars.convpaddation101014，vars.convpaddation1015，1，numdims.fc_2，numdims.fc_3_w）;var。FC_3.= dlconv(Vars.fc_1, weights, bias,'走吧'步,“DilationFactor”，稀释物，'填充'，填充，“DataFormat”, dataFormat);
