将不支持的Keras金宝app层替换为功能层
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)
另请参阅
importKerasNetwork
|assembleNetwork
|replaceLayer
|importKerasLayers
|trainNetwork
|layerGraph
|DAGNetwork
|findPlaceholderLayers