importONNXLayers
从ONNX网络
描述
lgraph= importONNXLayers (modelfile）modelfile．函数返回lgraph作为一个LayerGraph对象。DAGNetwork或dlnetwork对象。
importONNXLayers要求ONNX模型格式的深度学习工具箱™转换器金宝app支持包。如果没有安装此支金宝app持包，则importONNXLayers提供下载链接。
请注意
默认情况下,importONNXLayers当软件无法将ONNX操作符转换为等效的内置MATLAB时，尝试生成自定义层®层。有关软件支持转换的运算符列表，请参见金宝appONNX操作符支持转换为内置M金宝appATLAB层．
importONNXLayers在包中保存生成的自定义层+．modelfile
importONNXLayers不会为每个不支持转换为内置MATLAB层的ONNX操作符自动生成自定义层。金宝app有关如何处理不受支持的层的更多信息，请参见金宝app提示．
例子
下载并安装ONNX模型格式的深度学习工具箱转换器
下载并安装ONNX模型格式的深度学习工具箱转换器支持包。金宝app
类型importONNXLayers在命令行。
importONNXLayers
如果未安装ONNX模型格式的深度学习工具箱转换器，则该函数将在插件资源管理器中提供到所需支持包的链接。金宝app要安装支持包，请单击链接，然后金宝app单击安装．通过从模型文件导入网络，检查安装是否成功“simplenet.onnx”在命令行。如果安装了支持金宝app包，则函数返回一个LayerGraph对象。
modelfile =“simplenet.onnx”；lgraph = importONNXLayers(modelfile)
lgraph = LayerGraph with properties: Layers: [9×1 nnet.cnn.layer.Layer] Connections: [8×2 table] InputNames: {'imageinput'} OutputNames: {'ClassificationLayer_softmax1002'}
绘制网络架构图。
情节(lgraph)
导入ONNX模型为层图兼容DAGNetwork
导入预训练的ONNX网络作为LayerGraph对象。然后，将导入的图层组装成一个DAGNetwork对象，并使用组装的网络对图像进行分类。
的ONNX模型squeezenet卷积神经网络。
挤压板=挤压板;exportONNXNetwork (squeezeNet“squeezeNet.onnx”）;
指定模型文件和类名。
modelfile =“squeezenet.onnx”；ClassNames = squeezeNet.Layers(end).Classes;
导入ONNX网络的层数和权重。默认情况下,importONNXLayers导入网络为LayerGraph对象。DAGNetwork对象。
lgraph = importONNXLayers(modelfile)
lgraph = LayerGraph with properties: Layers: [70×1 nnet.cnn.layer.Layer] Connections: [77×2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_prob'}
分析导入的网络架构。
analyzeNetwork (lgraph)
显示导入网络的最后一层。输出显示层图有一个ClassificationOutputLayer在网络架构的末尾。
lgraph.Layers(结束)
ans = ClassificationOutputLayer与属性:名称:'ClassificationLayer_prob'类:'auto' ClassWeights: 'none' OutputSize: 'auto'超参数LossFunction: 'crossentropyex'
分类层不包含类，因此必须在组装网络之前指定这些类。如果您没有指定类，那么软件将自动将类设置为1，2、……N,在那里N是类的数量。
分类层有名称“ClassificationLayer_prob”．将类设置为一会，然后将导入的分类层替换为新的分类层。
cLayer = lgraph.Layers(end);粘土。Classes = ClassNames; lgraph = replaceLayer(lgraph,“ClassificationLayer_prob”、粘土);
使用组合图层图assembleNetwork返回DAGNetwork对象。
net =汇编网络(lgraph)
net = DAGNetwork with properties: Layers: [70×1 nnet.cnn.layer.Layer] Connections: [77×2 table] InputNames: {'data'} OutputNames: {'ClassificationLayer_prob'}
读取要分类的图像并显示图像的大小。图像是384 × 512像素，有三个颜色通道(RGB)。
I = imread(“peppers.png”）;大小(我)
ans =1×3384 512 3
将图像大小调整为网络的输入大小。显示图像。
I = imresize(I，[227 227]);imshow(我)
使用导入的网络对图像进行分类。
分类(net,I)
标签=分类甜椒
导入ONNX模型为层图兼容dlnetwork
导入预训练的ONNX网络作为LayerGraph对象。dlnetwork对象。然后，将图层图转换为adlnetwork对图像分类。
的ONNX模型squeezenet卷积神经网络。
挤压板=挤压板;exportONNXNetwork (squeezeNet“squeezeNet.onnx”）;
指定模型文件和类名。
modelfile =“squeezenet.onnx”；ClassNames = squeezeNet.Layers(end).Classes;
导入ONNX网络的层数和权重。将网络导入为LayerGraph对象。dlnetwork对象。
lgraph = importONNXLayers(modelfile,TargetNetwork=“dlnetwork”）
lgraph = LayerGraph with properties: Layers: [70×1 nnet.cnn.layer.Layer] Connections: [77×2 table] InputNames: {'data'} OutputNames: {1×0 cell}
读取要分类的图像并显示图像的大小。图像是384 × 512像素，有三个颜色通道(RGB)。
I = imread(“peppers.png”）;大小(我)
ans =1×3384 512 3
将图像大小调整为网络的输入大小。显示图像。
I = imresize(I，[227 227]);imshow(我)
将导入的图层图转换为adlnetwork对象。
Dlnet = dlnetwork(lgraph);
将图像转换为adlarray．用尺寸格式化图像“SSCB”(空间，空间，通道，批次)。在这种情况下，批处理大小为1，您可以省略它(“SSC”)。
I_dlarray = dlarray(single(I))，“SSCB”）;
对样本图像进行分类，找到预测的标签。
prob = predict(dlnet,I_dlarray);[~，label] = max(prob);
显示分类结果。
类名(标签)
ans =分类甜椒
导入ONNX模型图层图与自动生成的自定义图层
导入预训练的ONNX网络作为LayerGraph对象，并将导入的层组装到DAGNetwork对象。然后，使用DAGNetwork对图像分类。导入的网络包含不支持转换为内置MATLAB层的ONNX操作符。金宝app当您导入这些操作符时，软件会自动生成自定义层。
本例使用helper函数findCustomLayers．要查看此函数的代码，请参见Helper函数．
指定要导入的文件shufflenet使用ONNX模型动物园的操作符集9。shufflenet是一个卷积神经网络，它是在ImageNet数据库中的100多万张图像上进行训练的。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，例如键盘、鼠标、铅笔和许多动物。
modelfile =“shufflenet - 9. onnx”；
导入的层和权重shufflenet．默认情况下,importONNXLayers导入网络为LayerGraph对象。DAGNetwork对象。如果导入的网络包含不支持转换为内置MATLAB层的ONNX操作符，则金宝appimportONNXLayers可以自动生成自定义层来代替这些层。importONNXLayers将每个生成的自定义层保存为单独的．m包中的文件+ shufflenet_9在当前文件夹中。使用name-value参数指定包名PackageName．
lgraph = importONNXLayers(modelfile,PackageName=“shufflenet_9”）
lgraph = LayerGraph with properties: Layers: [173×1 nnet.cnn.layer.Layer] Connections: [188×2 table] InputNames: {'gpu_0_data_0'} OutputNames: {'ClassificationLayer_gpu_0_softmax_1'}
使用helper函数查找自动生成的自定义层的索引findCustomLayers，并显示自定义图层。
ind = findCustomLayers(lgraph。层,' + shufflenet_9 '）;lgraph.Layers(印第安纳州)
ans = 16×1带有图层的图层数组:1 'Reshape_To_ReshapeLayer1004' shufflenet_9。Reshape_To_ReshapeLayer1004 shufflenet_9。重塑_To_ReshapeLayer1004 2 'Reshape_To_ReshapeLayer1009' shufflenet_9.Reshape_To_ReshapeLayer1009 shufflenet_9.Reshape_To_ReshapeLayer1009 3 'Reshape_To_ReshapeLayer1014' shufflenet_9.Reshape_To_ReshapeLayer1014 shufflenet_9.Reshape_To_ReshapeLayer1014 4 'Reshape_To_ReshapeLayer1019' shufflenet_9.Reshape_To_ReshapeLayer1019 shufflenet_9.Reshape_To_ReshapeLayer1019 5 'Reshape_To_ReshapeLayer1024' shufflenet_9.Reshape_To_ReshapeLayer1024 shufflenet_9.Reshape_To_ReshapeLayer1024 6 'Reshape_To_ReshapeLayer1029' shufflenet_9.Reshape_To_ReshapeLayer1029 shufflenet_9.Reshape_To_ReshapeLayer1029 7 'Reshape_To_ReshapeLayer1034' shufflenet_9.Reshape_To_ReshapeLayer1034 shufflenet_9.Reshape_To_ReshapeLayer1034 8 'Reshape_To_ReshapeLayer1039' shufflenet_9.Reshape_To_ReshapeLayer1039 shufflenet_9.Reshape_To_ReshapeLayer1039 9 'Reshape_To_ReshapeLayer1044' shufflenet_9.Reshape_To_ReshapeLayer1044 shufflenet_9.Reshape_To_ReshapeLayer1044 10 'Reshape_To_ReshapeLayer1049' shufflenet_9.Reshape_To_ReshapeLayer1049 shufflenet_9.Reshape_To_ReshapeLayer1049 11 'Reshape_To_ReshapeLayer1054' shufflenet_9.Reshape_To_ReshapeLayer1054 shufflenet_9.Reshape_To_ReshapeLayer1054 12 'Reshape_To_ReshapeLayer1059' shufflenet_9.Reshape_To_ReshapeLayer1059 shufflenet_9.Reshape_To_ReshapeLayer1059 13 'Reshape_To_ReshapeLayer1064' shufflenet_9.Reshape_To_ReshapeLayer1064 shufflenet_9.Reshape_To_ReshapeLayer1064 14 'Reshape_To_ReshapeLayer1069' shufflenet_9.Reshape_To_ReshapeLayer1069 shufflenet_9.Reshape_To_ReshapeLayer1069 15 'Reshape_To_ReshapeLayer1074' shufflenet_9.Reshape_To_ReshapeLayer1074 shufflenet_9.Reshape_To_ReshapeLayer1074 16 'Reshape_To_ReshapeLayer1079' shufflenet_9.Reshape_To_ReshapeLayer1079 shufflenet_9.Reshape_To_ReshapeLayer1079
分类层不包含类，因此必须在组装网络之前指定这些类。如果您没有指定类，那么软件将自动将类设置为1，2、……N,在那里N是类的数量。
导入类名squeezenet，它也是用ImageNet数据库中的图像进行训练的。
挤压板=挤压板;classNames = SqueezeNet.Layers(end).ClassNames;
分类层粘土是最后一层吗lgraph．将类设置为一会然后用新的分类层替换导入的分类层。
cLayer = lgraph.Layers(end)
cLayer = ClassificationOutputLayer与属性:名称:'ClassificationLayer_gpu_0_softmax_1'类:'auto' ClassWeights: 'none' OutputSize: 'auto'超参数LossFunction: 'crossentropyex'
粘土。Classes = classNames; lgraph = replaceLayer(lgraph,lgraph.Layers(end).Name,cLayer);
使用组合图层图assembleNetwork．函数返回一个DAGNetwork对象，该对象已准备用于预测。
net =汇编网络(lgraph)
net = DAGNetwork with properties: Layers: [173×1 nnet.cnn.layer.Layer] Connections: [188×2 table] InputNames: {'gpu_0_data_0'} OutputNames: {'ClassificationLayer_gpu_0_softmax_1'}
读取要分类的图像并显示图像的大小。图像是792 × 1056像素，有三个颜色通道(RGB)。
I = imread(“peacock.jpg”）;大小(我)
ans =1×3792 1056
将图像大小调整为网络的输入大小。显示图像。
I = imresize(I，[224 224]);imshow(我)
的输入shufflenet需要进一步预处理(有关详细信息，请参见在ONNX模型动物园ShuffleNet)。重新缩放图像。通过减去训练图像的平均值并除以训练图像的标准差来归一化图像。
I = rescale(I,0,1);meanIm = [0.485 0.456 0.406];stdIm = [0.229 0.224 0.225];I = (I - remodeling (meanIm，[1 1 3]))。/重塑(stdIm，[1 1 3]);
使用导入的网络对图像进行分类。
分类(net,I)
标签=分类孔雀
Helper函数
介绍helper函数的代码findCustomLayers本例中使用。findCustomLayers返回指数自定义层的importONNXLayers自动生成。
函数index = findCustomLayers(layers,PackageName) s = what([‘。’PackageName]);索引= 0(1，长度(s.m));为I = 1:长度(层数)为J = 1:长度(s.m)如果strcmpi(类(层(i)), [PackageName(2:结束)“。”S.m {j}(1:end-2)]) index (j) = i;结束结束结束结束
导入ONNX模型为层图与占位符层
导入一个ONNX长短期记忆(LSTM)网络作为层图，然后找到并替换placholder层。LSTM网络使您能够将序列数据输入到网络中，并基于序列数据的单个时间步长进行预测。
lstmNet有一个类似于LSTM网络的架构使用深度学习的序列分类．lstmNet被训练来识别说话人，给定时间序列数据，代表连续说出两个日语元音。
指定lstmNet作为模型文件。
modelfile =“lstmNet.onnx”；
导入ONNX网络的层数和权重。默认情况下,importONNXLayers导入网络为LayerGraph对象。DAGNetwork对象。
lgraph = importONNXLayers(“lstmNet.onnx”）
警告:无法导入某些ONNX操作符，因为它们不受支持。金宝app它们已被占位符层所取代。为了找到这些层，在返回的对象上调用findPlaceholderLayers函数。1个操作符:无法为ONNX网络输出“softmax1001”创建输出层，因为其数据格式未知或MATLAB输出层不支持。金宝app如果您知道它的格式，可以使用'OutputDataFormats'参数传递它。要将ONNX网络作为函数导入，请使用importONNXFunction。
lgraph = LayerGraph with properties: Layers: [6×1 nnet.cnn.layer.Layer] Connections: [5×2 table] InputNames: {'sequenceinput'} OutputNames: {1×0 cell}
importONNXLayers显示警告并为输出层插入占位符层。
属性来检查占位符层层的属性lgraph或者使用findPlaceholderLayers函数。
lgraph。层
ans = 6×1带有图层的层数组:1 'sequenceinput' Sequence Input序列输入12维序列输入2 'lstm1000' LSTM LSTM 100个隐藏单元3 'fc_MatMul' Fully Connected 9 Fully Connected Layer 4 'fc_Add' Elementwise Affine应用Elementwise缩放，然后对输入进行加法。5' flat_to_softmaxlayer1005 ' lstmNet。Flatten_To_SoftmaxLayer1005 lstmNet。平_To_SoftmaxLayer1005 6 'OutputLayer_softmax1001' PLACEHOLDER LAYER Placeholder for 'added_outputLayer' ONNX operator
placeholderLayers = findPlaceholderLayers(lgraph)
placeholderLayers = PlaceholderLayer with properties: Name: 'OutputLayer_softmax1001' ONNXNode: [1×1 struct] Weights: [] learable Parameters无属性。状态参数无属性。显示所有属性
创建一个输出层来替换占位符层。首先，用名称创建一个分类层OutputLayer_softmax1001．如果您没有指定类，那么软件将自动将它们设置为1，2、……N,在那里N是类的数量。在这种情况下，类数据是标签“1”，“2”，…“9”，对应9个说话者。
outputLayer =分类层(“名字”，“OutputLayer_softmax1001”）;
将占位符层替换为outputLayer通过使用replaceLayer函数。
lgraph =替换层(lgraph，“OutputLayer_softmax1001”, outputLayer);
显示层属性层图确认替换。
lgraph。层
ans = 6×1带有图层的层数组:1 'sequenceinput' Sequence Input序列输入12维序列输入2 'lstm1000' LSTM LSTM 100个隐藏单元3 'fc_MatMul' Fully Connected 9 Fully Connected Layer 4 'fc_Add' Elementwise Affine应用Elementwise缩放，然后对输入进行加法。5' flat_to_softmaxlayer1005 ' lstmNet。Flatten_To_SoftmaxLayer1005 lstmNet。平_To_SoftmaxLayer1005 6 'OutputLayer_softmax1001' Classification Output crossentropyex
方法在导入层图时定义输出层OutputLayerType或OutputDataFormats选择。检查导入的图层图是否有占位符层findPlaceholderLayers．
lgraph1 = importONNXLayers(“lstmNet.onnx”OutputLayerType =“分类”）;findPlaceholderLayers (lgraph1)
ans = 0×1带有属性的图层数组:
lgraph2 = importONNXLayers(“lstmNet.onnx”OutputDataFormats =“公元前”）;findPlaceholderLayers (lgraph2)
ans = 0×1带有属性的图层数组:
导入的图层图lgraph1而且lgraph2不要有占位符层。
导入和组装多输出ONNX网络
导入多输出的ONNX网络importONNXLayers，然后将导入的图层图组装成DAGNetwork对象。
指定要从中导入层和权重的网络文件。
modelfile =“digitsMIMO.onnx”；
导入图层和权重modelfile．美国的网络digitsMIMO.onnx有两个输出层:一个分类层(ClassificationLayer_sm_1)，以分类数字及一个回归层(RegressionLayer_fc_1_Flatten)，以计算数字预测角度的均方误差。
lgraph = importONNXLayers(modelfile)
lgraph = LayerGraph with properties: Layers: [19×1 nnet.cnn.layer.Layer] Connections: [19×2 table] InputNames: {'input'} OutputNames: {'ClassificationLayer_sm_1' 'RegressionLayer_fc_1_Flatten'}
绘制层图使用情节，并显示的层次lgraph．
情节(lgraph)
lgraph。层
ans = 19×1带有图层的图层数组:1的输入图像输入28××28日1图片2的conv_1卷积16 5×5×1的隆起与步幅[1]和填充(2 2 2 2)3的BN_1批量标准化批量标准化与16通道4的relu_1 ReLU ReLU 5‘conv_2卷积32 1×1×16旋转步(2 - 2)和填充[0 0 0 0]6‘conv_3卷积32 3×3×16旋转步(2 - 2)和填充[1 1 1 1]7“BN_2”批量标准化批量标准化32通道8 ' relu_2 ReLU ReLU 9 conv_4的卷积32 3×3×32convolutions with stride [1 1] and padding [1 1 1 1] 10 'BN_3' Batch Normalization Batch normalization with 32 channels 11 'relu_3' ReLU ReLU 12 'plus_1' Addition Element-wise addition of 2 inputs 13 'fc_1' Convolution 1 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0] 14 'fc_2' Convolution 10 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0] 15 'sm_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order 16 'sm_1' Softmax softmax 17 'fc_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order 18 'ClassificationLayer_sm_1' Classification Output crossentropyex 19 'RegressionLayer_fc_1_Flatten' Regression Output mean-squared-error
分类层不包含类，因此必须在组装网络之前指定这些类。如果您没有指定类，那么软件将自动将类设置为1，2、……N,在那里N是类的数量。指定的类粘土作为0，1、……9．然后，用新的分类层替换导入的分类层。
ClassNames = string(0:9);cLayer = lgraph.Layers(18);粘土。Classes = ClassNames; lgraph = replaceLayer(lgraph,“ClassificationLayer_sm_1”、粘土);
使用组合图层图assembleNetwork．函数返回一个DAGNetwork对象，该对象已准备用于预测。
assembledNet = assembleNetwork(lgraph)
assembledNet = DAGNetwork with properties: Layers: [19×1 nnet.cnn.layer.Layer] Connections: [19×2 table] InputNames: {'input'} OutputNames: {'ClassificationLayer_sm_1' 'RegressionLayer_fc_1_Flatten'}
输入参数
输出参数
限制
importONNXLayers金宝app支持以下ONNX版本:该函数支持ONNX中间表示金宝app版本7。
该函数支持ONNX操作符集金宝app6 ~ 14。
请注意
如果导入导出的网络，重新导入的网络的层数可能与原始网络不同，可能不受支持。金宝app
更多关于
提示
如果导入的网络包含不支持转换为内置MATLAB层的ONNX操作符(请参阅金宝appONNX操作符支持转换为内置M金宝appATLAB层),
importONNXLayers不生成自定义层，然后importONNXLayers在不受支持的层中插入一个占位符层。金宝app要查找网络中不支持的层的名称和索引，请使用金宝appfindPlaceholderLayers函数。然后，您可以将占位符层替换为您定义的新层。要替换一个图层，请使用replaceLayer．有关示例，请参见导入和组装多输出ONNX网络．要使用预训练的网络对新图像进行预测或迁移学习，您必须以与用于训练导入模型的图像预处理相同的方式对图像进行预处理。最常见的预处理步骤是调整图像大小，减去图像平均值，并将图像从BGR图像转换为RGB。
有关用于训练和预测的图像预处理的更多信息，请参见用于深度学习的图像预处理．
MATLAB使用基于1的索引，而Python®使用从零开始的索引。换句话说，在MATLAB和Python中，数组中的第一个元素的索引分别为1和0。有关MATLAB索引的更多信息，请参见数组索引．在MATLAB中，要使用一个索引数组(
印第安纳州)，将数组转换为印第安纳州+ 1．
选择功能
ONNX模型格式的深度学习工具箱转换器提供三个功能导入预训练的ONNX网络:importONNXNetwork，importONNXLayers,importONNXFunction．有关导入函数最适合不同场景的详细信息，请参见选择Function导入ONNX预训练网络．
版本历史
在R2018a中引入
您也可以从以下列表中选择一个网站: