将不支持的Keras金宝app层替换为功能层

这个例子使用了:

打开实时脚本

这个示例展示了如何从预训练的Keras网络导入层，用功能层替换不支持的层，并将这些层组装成一个网络，以便进行预测。金宝app

导入Keras网络

从Keras网络模型导入层。美国的网络“digitsNet.h5”对数字图像进行分类。

文件名=“digitsNet.h5”；layers = importKerasLayers(文件名，ImportWeights=true)

警告:无法导入图层。不支持带有指定设置的Keras层“激活”。金宝app问题是:激活类型“softsign”不受支持。金宝app

警告:无法导入图层。不支持带有指定设置的Keras层“激活”。金宝app问题是:激活类型“softsign”不受支持。金宝app

警告:无法导入一些Keras层，因为深度学习工具箱不支持它们。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。

图层数组:1“ImageInputLayer”图像输入28 x28x1图片2“conv2d”二维卷积8 3 x3x1旋转步[1]和填充[0 0 0 0]3“conv2d_softsign”占位符层占位符“激活”Keras第四层“max_pooling2d”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]5“conv2d_1”二维卷积16 3 x3x8旋转步[1]和填充[0 0 0 0]6“conv2d_1_softsign”占位符层占位符“激活”Keras LAYER 7 max_pooling2d_1二维最大池化2x2最大池化与stride[2 2]和填充[0 00 0]8 'flatten' Keras flatten flatten激活为1-D假设c风格(行-主要)顺序9 'dense'全连接100全连接层10 'dense_relu' ReLU ReLU 11 'dense_1'全连接10全连接层12 'dense_1_softmax' Softmax Softmax 13 'ClassificationLayer_dense_1'分类输出crossentropyex

Keras网络包含一些深度学习工具箱不支持的层。金宝app的importKerasLayers函数显示警告并将不支持的层替换为占位符层。金宝app

替换占位符图层

要替换占位符层，首先确定要替换的层的名称。方法查找占位符层findPlaceholderLayers函数。

placeholderLayers = findPlaceholderLayers(layers)

placeholderLayers = 2x1带有层的PlaceholderLayer数组:1 'conv2d_softsign' PLACEHOLDER LAYER 'Activation' Keras LAYER 2 'conv2d_1_softsign' PLACEHOLDER LAYER 'Activation' Keras层的占位符

属性指定的函数将占位符层替换为函数层softsign函数，在示例末尾列出。

属性指定的函数创建函数层softsign函数，作为支持文件附加到本示例中。金宝app要访问此函数，请将此示例作为活动脚本打开。设置层描述为“softsign”．

@softsign,Description=“softsign”）;

替换层使用replaceLayer函数。使用replaceLayer函数，首先将层数组转换为层图。

lgraph = layerGraph(图层);lgraph =替换层(lgraph，“conv2d_softsign”层);lgraph =替换层(lgraph，“conv2d_1_softsign”层);

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。

属性来查找分类层的索引层层图的属性。

lgraph。层

ans = 13x1带有图层的图层数组:1“ImageInputLayer”图像输入28 x28x1图片2“conv2d”二维卷积8 3 x3x1旋转步[1]和填充[0 0 0 0]3层的函数softsign 4“max_pooling2d”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]5“conv2d_1”二维卷积16 3 x3x8旋转步[1]和填充[0 0 0 0]6“layer_1”函数softsign 7“max_pooling2d_1”二维最大池2 x2马克斯池步(2 - 2)和填充[0 0 0 0]8 Keras压平压平压平激活到1-D假设c风格(行-主要)顺序9 '密集'全连接100全连接层10 'dense_relu' ReLU ReLU 11 'dense_1'全连接10全连接层12 'dense_1_softmax' Softmax Softmax 13 'ClassificationLayer_dense_1'分类输出crossentropyex

分类层有名称“ClassificationLayer_dense_1”．查看分类层，检查类财产。

cLayer = lgraph.Layers(end)

cLayer = ClassificationOutputLayer与属性:名称:'ClassificationLayer_dense_1'类:'auto' ClassWeights: 'none' OutputSize: 'auto'超参数LossFunction: 'crossentropyex'

因为类层的属性为“汽车”时，必须手动指定类。将类设置为0，1、……9，然后将导入的分类层替换为新的分类层。

粘土。class = string(0:9);lgraph =替换层(lgraph，“ClassificationLayer_dense_1”、粘土);

组装网络

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: [13x1 nnet.cnn.layer.Layer] Connections: [12x2 table] InputNames: {'ImageInputLayer'} OutputNames: {'ClassificationLayer_dense_1'}

测试网络

使用测试数据集与网络进行预测。

[XTest,YTest] = digitTest4DArrayData;YPred = category (net,XTest);

查看精度。

mean(YPred == YTest)

Ans = 0.9900

在一个混淆矩阵中可视化预测。

YPred confusionchart(欧美)

图包含一个confusimatrixchart类型的对象。

另请参阅