替换层
在图层图中替换图层
语法
描述
例子
在层图中替换层
定义一个简单的网络架构并绘制它。
[imageInputLayer([28 28 1]，])，“姓名”,“输入”) convolution2dLayer(3, 16岁,“填充”,“相同”,“姓名”,“conv_1”)雷卢耶(“姓名”,“relu_1”) additionLayer (2“姓名”,“添加”) fullyConnectedLayer (10“姓名”,“俱乐部”)软MaxLayer(“姓名”,“softmax”) classificationLayer (“姓名”,“类输出”));lgraph = layerGraph(层);lgraph = connectLayers (lgraph,“输入”,“添加/ in2”); 图形绘图（lgraph）
将网络中的ReLU层替换为批处理归一化层，然后是一个泄漏的ReLU层。
larray = [batchNormalizationLayer (“姓名”,“BN1”)漏泄层(“姓名”,“leakyRelu_1”,“规模”,0.1)]; lgraph=替换层（lgraph，“relu_1”，拉里）；绘图（lgraph）
从预训练的Keras层组装网络
此示例演示如何从预训练的Keras网络导入层，将不支持的层替换为自定义层，并将层组装到网络中以备预测。金宝app
导入Keras网络
从Keras网络模型导入图层。中的网络“digitsDAGnetwithnoise.h5”对数字图像进行分类。
文件名=“digitsDAGnetwithnoise.h5”；lgraph = importKerasLayers(文件名,“重要性”，对）；
警告：无法导入某些Keras层，因为深度学习工具箱尚不支持它们。它们已被占位符层替换。要查找这些层，请对返回的对象调用函数findPlace金宝appholderLayers。
Keras网络包含一些深度学习工具箱不支持的层。金宝app的importKerasLayers函数显示警告，并用占位符图层替换不支持的图层。金宝app
使用以下命令绘制图层图：情节．
图绘制(lgraph)标题(“进口网络”)
替换占位符图层
要替换占位符层，请首先标识要替换的层的名称。使用查找占位符层findPlaceholderLayers．
占位符层=findPlaceholderLayers（lgraph）
placeholderLayers = 2x1 PlaceholderLayer array with layers: 1' gaussian_noise_1' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER
显示这些图层的Keras配置。
placeholder.KerasConfiguration
ans=结构体字段:可培训：1名：“高斯噪声”标准差：1.5000
ans=结构体字段:可训练:1 name: 'gaussian_noise_2' stddev: 0.7000
定义自定义高斯噪波层。要创建此图层，请保存文件高斯非线性在当前文件夹中。然后，创建两个高斯噪声层，配置与导入的Keras层相同。
gnLayer1=高斯各向异性层（1.5，“新的高斯噪声”）;gnLayer2 = gaussianNoiseLayer (0.7,“新的高斯噪声”）;
使用自定义图层替换占位符图层替换层．
lgraph = replaceLayer (lgraph,“高斯噪声1”，gn1）；lgraph=替换层（lgraph，“高斯噪声”, gnLayer2);
使用绘制更新的层图情节．
图绘制(lgraph)标题(“已替换层的网络”)
指定类名
如果导入的分类层不包含类，则必须在预测之前指定这些类。如果不指定类，则软件会自动将类设置为1.,2., ...,N哪里N是班级的数量。
通过查看层层图的性质。
层
ans = 15x1图层数组: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' Flatten ' Flatten激活到1-D假设C-style(行-主要)顺序12 'concatenate_1' Depth concatenate_1' Depth concatenate_1' Fully Connected 10 Fully Connected layer 14 'activation_1' Softmax Softmax 15 'ClassificationLayer_activation_1' Classification Output crossentropyex
分类层的名称为“分类层\激活\ 1”．查看分类层并检查班级所有物
cLayer=lgraph.Layers（结束）
cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: 'auto' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'
因为班级属性为“自动”，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)
cLayer=ClassificationOutputLayer及其属性：名称：'ClassificationLayer\u activation\u 1'类：[0 1 2 3 4 5 6 7 8 9]输出大小：10个超参数丢失函数：'crossentropyex'
lgraph = replaceLayer (lgraph,“分类层\激活\ 1”，克莱尔）；
装配网络
使用assembleNetwork．函数返回达格网络准备用于预测的对象。
net=汇编网络（lgraph）
net=DAG网络，属性：层：[15×1 nnet.cnn.layer.layer]连接：[15×2表]输入名称：{'input_1'}输出名称：{'ClassificationLayer_activation_1'}
输入参数
输出参数
在R2018b中引入
你也可以从以下列表中选择一个网站:
