exportNetworkToTensorFlow
描述
exportNetworkToTensorFlow (MATLAB的出口®深入学习网络净,modelPackage)净并将其保存为一个TensorFlow™模型在Python®包modelPackage。信息如何加载TensorFlow模型在Python中,看到的负载输出TensorFlow模型。
的exportNetworkToTensorFlow功能要求深度学习工具箱™转换器TensorFlow模型。如果这种支持包没金宝app有安装exportNetworkToTensorFlow提供一个下载链接。
exportNetworkToTensorFlow (出口MATLAB深度学习层图lgraph,modelPackage)lgraph并将其保存为一个TensorFlow模型在Python包modelPackage。
如果MATLAB网络或层图包含自定义或内置MATLAB层exportNetworkToTensorFlow不能转换为一个TensorFlow层,exportNetworkToTensorFlow函数出口这一层作为一个自定义TensorFlow层。MATLAB层的更多信息exportNetworkToTensorFlow可以转换为TensorFlow层,看到了吗TensorF金宝applow层支持出口。例如,看到的出口与自定义层TensorFlow层图。
例子
出口网络TensorFlow
拯救一个MATLAB作为TensorFlow深入学习网络模型使用exportNetworkToTensorFlow函数。
下载和安装的深度学习工具箱转换器TensorFlow模型支持包。金宝app您可以输入exportNetworkToTensorFlow在命令提示符处,检查是否支持包安装。金宝app如果支持包没有金宝app安装,那么该函数提供了一个链接到需要在插件浏览器支持包。安装支持包,单击该链接,然后单金宝app击安装。
加载pretrainedsqueezenet卷积神经网络作为一个DAGNetwork对象。
网= squeezenet
网= DAGNetwork属性:层:x1 nnet.cnn.layer.Layer[68]连接:[75 x2表]InputNames:{“数据”}OutputNames: {“ClassificationLayer_predictions”}
出口网络净TensorFlow。的exportNetworkToTensorFlow函数保存TensorFlow模型在Python包myModel。
exportNetworkToTensorFlow(净,“myModel”)
在Python中运行这段代码来加载TensorFlow模型导出的myModel包中。
进口myModel模型= myModel.load_model ()
TensorFlow保存导出的模型SavedModel格式。储蓄模型在SavedModel格式是可选的。您可以执行直接与深度学习工作流程模型。为例,展示了如何将一个图像与出口TensorFlow模型,明白了出口网络TensorFlow和图像进行分类。
model.save (“myModelTF”)
出口网络TensorFlow和图像进行分类
使用MATLAB网络对图像进行分类。保存网络作为TensorFlow模型并使用TensorFlow模型相同的图像进行分类。
在MATLAB图像进行分类
加载pretrainedsqueezenet卷积网络DAGNetwork对象。
网= squeezenet
网= DAGNetwork属性:层:x1 nnet.cnn.layer.Layer[68]连接:[75 x2表]InputNames:{“数据”}OutputNames: {“ClassificationLayer_predictions”}
指定类名。
一会= net.Layers . class(结束);
读你想要的图像分类。调整图像的输入规模网络。
我= imread (“peppers.png”);InputSize = net.Layers (1) .InputSize;我= imresize (Im, InputSize (1:2));
预测类标签和分类的分数。
(标签,分数)=(净,Im)进行分类;
显示图像的分类标签。
imshow (Im)标题(类名(标签),字形大小= 12)
出口网络和图像数据
出口网络净TensorFlow。的exportNetworkToTensorFlow函数保存TensorFlow模型在Python包myModel。
exportNetworkToTensorFlow(净,“myModel”)
排列的二维图像数据深度学习工具箱™排序(HWCN)到TensorFlow排序(NHWC),H,W,C高度,宽度,和图像的通道数,分别和N是图片的数量。保存垫的图片文件。
ImTF =排列(Im, [4, 1, 2, 3]);文件名=“peppers.mat”;保存(文件名,“ImTF”)
与出口TensorFlow模型图像进行分类
在Python中运行这段代码来加载出口TensorFlow模型和使用模型的图像分类。
负载从Python包导出的模型myModel。
进口myModel模型= myModel.load_model ()
导出模型的图像进行分类。为更多的信息关于如何比较预测结果在MATLAB和TensorFlow之间,明白了推理比较TensorFlow和进口网络图像分类。
score_tf = model.predict (ImTF)
出口未经训练的TensorFlow层图
出口一个未经训练的层图TensorFlow和火车出口TensorFlow模型。
创建图层图表
创建一个长期短期记忆(LSTM)网络对序列数据进行分类。LSTM网络以序列数据作为输入,使预测基于单个时间序列数据的步骤。
inputSize = 12;numHiddenUnits = 100;numClasses = 9;层= [sequenceInputLayer inputSize bilstmLayer (numHiddenUnits OutputMode =“最后一次”)fullyConnectedLayer (numClasses) softmaxLayer];lgraph = layerGraph(层);
创建的训练数据集
加载日本元音训练数据集。XTrain是一种含有270维序列12单元阵列和可变长度。YTrain是一个分类向量的标签“1”,“2”,…”9”,对应于九个扬声器。
[XTrain, YTrain] = japaneseVowelsTrainData;
准备的序列数据XTrain填充。有关更多信息,请参见使用深度学习序列分类。
numObservations =元素个数(XTrain);为i = 1: numObservations = XTrain序列{};sequenceLengths (i) =(序列,2)大小;结束[sequenceLengths, idx] = (sequenceLengths)进行排序;XTrain = XTrain (idx);YTrain = YTrain (idx);
垫XTrain第二个维度。
XTrain = padsequences (XTrain 2);
排列的序列数据深度学习工具箱™排序(CSN)到TensorFlow排序(国家安全委员会),C的数量的特征序列,年代是序列长度,N是观测序列的数量。将训练数据保存到一个垫子文件。
XTrain =排列(XTrain (3,2,1));YTrain双(YTrain) = 1;文件名=“training_data.mat”;保存(文件名,“XTrain”,“YTrain”)
出口TensorFlow层图
导出层图lgraphTensorFlow。的exportNetworkToTensorFlow函数保存TensorFlow模型在Python包myModel。
exportNetworkToTensorFlow (lgraph“myModel”)
火车出口TensorFlow模型
在Python中运行这段代码加载从Python包导出的模型myModel。你可以编译和火车在Python中导出的模型。训练模型使用训练数据training_data.mat。为更多的信息关于如何从垫文件数据加载到Python,明白了推理比较TensorFlow和进口网络图像分类。
进口myModel模型= myModel.load_model ()
出口与自定义层TensorFlow层图
出口一层图,其中包含一个MATLAB定制层,TensorFlow。
创建图层图表
创建一个PReLU层通过定义自定义层preluLayer。显示自定义层的定义。
类型preluLayer.m
classdef preluLayer < nnet.layer。层% Example custom PReLU layer. properties (Learnable) % Layer learnable parameters. % Scaling coefficient. Alpha end methods function layer = preluLayer(args) % layer = preluLayer creates a PReLU layer. % % layer = preluLayer(numChannels,Name=name) also specifies the % layer name. arguments args.Name = ""; end % Set layer name. layer.Name = args.Name; % Set layer description. layer.Description = "PReLU"; end function layer = initialize(layer,layout) % layer = initialize(layer,layout) initializes the learnable % parameters of the layer for the specified input layout. % Skip initialization of nonempty parameters. if ~isempty(layer.Alpha) return end % Input data size. sz = layout.Size; ndims = numel(sz); % Find number of channels. idx = finddim(layout,"C"); numChannels = sz(idx); % Initialize Alpha. szAlpha = ones(1,ndims); szAlpha(idx) = numChannels; layer.Alpha = rand(szAlpha); end function Z = predict(layer, X) % Z = predict(layer, X) forwards the input data X through the % layer and outputs the result Z. Z = max(0, X) + layer.Alpha .* min(0, X); end end end
创建一个层图。
层= [imageInputLayer ([31 53 3], Name =“图像”归一化=“没有”)preluLayer (Name =“prelu”)regressionLayer);lgraph = layerGraph(层);
出口TensorFlow层图
导出层图lgraphTensorFlow。的exportNetworkToTensorFlow函数保存TensorFlow模型在Python包myModel和自定义层的定义customLayers文件夹的myModel包中。
exportNetworkToTensorFlow (lgraph“myModel”)
警告:一层一层“prelu”:类“preluLayer”出口到一个不完整的TensorFlow定制层文件。自定义图层定义必须完成或文件之前必须更换模型可以加载到TensorFlow。
显示TensorFlow自定义层的定义preluLayer.py。
类型。/ myModel / customLayers / preluLayer.py
#这个文件是由#深学习MATLAB工具箱转换器TensorFlow模型。# 03 - 3月- 2023年09:03:13进口tensorflow tf进口sys #删除这条线完成后层定义。类preluLayer (tf.keras.layers.Layer): #添加任何额外的层号hyperparameters构造函数的参数列表如下。def __init__(自我,Alpha_Shape_ = None, name = None):超级(preluLayer,自我). __init__ (name =名称)#可学的参数:这些都是出口从MATLAB和将被自动装载重量文件:自我。α=特遣部队。变量(name =“阿尔法”,initial_value = tf.zeros (Alpha_Shape_),可训练的= True) def(自我,input1): #添加代码来实现层的传球前进。#输入张量格式(s)是:BSSC #张量的输出格式(s): B =批BSSC #, C =频道,T =时间,s =空间(的高度、宽度、深度,…)#删除以下三行完成后自定义层定义:打印(“警告:load_model():在加载模型之前,您必须完成的定义自定义层preluLayer customLayers文件夹。”)打印系统(“退出……”)。退出(见上面的警告消息。)返回output1
负载输出层图
本节描述的步骤,您必须执行在Python中加载出口TensorFlow模型。
编辑的定义preluLayer.py通过实现向前计算调用。
def调用(自我,input1): output1 = tf.math.maximum (input1, 0.0) +自我。α* tf.math.minimum (0.0, input1)返回output1
删除行preluLayer.py指示的文件中的注释。查看更新自定义层preluLayer.py。
进口tensorflow tf类preluLayer (tf.keras.layers.Layer): #添加任何额外的层号hyperparameters构造函数的参数列表如下。def __init__(自我,Alpha_Shape_ = None, name = None):超级(preluLayer,自我). __init__ (name =名称)#可学的参数:这些都是出口从MATLAB和将被自动装载重量文件:自我。α=特遣部队。变量(name =“阿尔法”,initial_value = tf.zeros (Alpha_Shape_),可训练的= True) def(自我,input1): output1 = tf.math.maximum (input1, 0.0) +自我。α* tf.math.minimum (0.0, input1)返回output1
在本例中,您只需要编辑preluLayer.py。在其他情况下,您可能需要编辑model.py通过自定义层调用的参数。
加载模型之前,您可能需要重新启动Python内核的更改生效。加载模型从Python包myModel。
进口myModel模型= myModel.load_model ()
输入参数
限制
加载一个出口TensorFlow模型,您必须:
TensorFlow r2.0或更高版本
Python版本3.0或更高版本
TensorFlow模块
组织MATLAB网络或层图,其中包含一个或多个以下层:groupNormalizationLayerinstanceNormalizationLayerlayerNormalizationLayer与OperationDimension设置为“batch-excluded”
更多关于
提示
MATLAB使用集中的索引,而Python使用从零开始的索引。换句话说,在数组第一个元素的索引1和0在MATLAB和Python,分别。MATLAB索引的更多信息,请参阅数组索引。在MATLAB中,使用数组索引(
印第安纳州)在Python中,创建数组转换为印第安纳州+ 1。
版本历史
介绍了R2022b
