FreeZeparameters.
转换可知的网络参数onnxparameters.非可爱的
描述
params = freezeparameters（冻结由此指定的网络参数参数那名称的）名称在onnxparameters.目的参数．该函数从指定的参数移动参数个数。可学的在输入参数中参数到params.nonlearnables.在输出参数中参数．
例子
使用自定义培训循环导入ONNX功能
进口挤压卷积神经网络作为函数和微调预磨阅，通过传输学习，在新的图像集合上进行分类。
此示例使用多个辅助功能。要查看这些函数的代码，请参阅辅助功能．
将新图像解压并作为图像数据存储加载。ImageageAtastore.根据文件夹名称自动标记图像并将数据存储为ImageageAtastore.目的。图像数据存储使您能够存储大图像数据，包括不适合内存的数据，并在卷积神经网络的培训期间有效地读取批次的图像。指定迷你批次大小。
解压缩（'merchdata.zip'）;minibatchsize = 8;imds = imageageatastore（'merchdata'那......'upplyubfolders'，真的，......'labelsource'那'foldernames'那......'阅读'，小匹匹匹匹配）;
此数据集很小，包含75个培训图像。显示一些样本图像。
numimages = numel（imds.labels）;IDX = RANDPERM（NUMIMAGES，16）;数字为了i = 1:16子图（4,4，i）i = ReadImage（IMDS，IDX（I））;imshow（i）结尾
提取培训集和单热编码分类分类标签。
XTrain = Readall（IMDS）;XTrain =单（Cat（4，XTrain {：}））;ytrain_categ =分类（IMDS.Labels）;YTrain = OneHotencode（Ytrain_Cate，2）';
确定数据中的类数。
Classes =类别（Ytrain_Catch）;numclasses = numel（类）
numclasses = 5
挤压是一个卷积神经网络，从ImageNet数据库中培训超过一百万个图像。因此，该网络已经学习了丰富的特征表示，以获得各种图像。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。
导入pretrained挤压网络作为函数。
scriezenetonnx（）params = importonnxfunction（'screezenet.onnx'那'squeezenetfcn'的）
包含导入的OnNX网络的函数已保存到文件SqueezenetFCN.M.要了解如何使用此函数，请键入：帮助squeezenetfcn。
params =具有属性的onnxparameters：学习栏：[1×1结构]非可爱性：[1×1结构]状态：[1×1结构] NumDimensions：[1×1结构] NetworkFunctionName：'Squeezenetfcn'
参数是一个onnxparameters.对象，该对象包含网络参数。squeezenetfcn.是包含网络架构的模型函数。importonnxfunction.救赎squeezenetfcn.在当前文件夹中。
计算新培训集上净化网络的分类准确性。
准确性触及= GetNetWorkAccuracy（XTrain，Ytrain，Params）;FPRINTF（在转移学习前的'％.2F准确性\ n'，准确性磨削）;
迁移学习前的准确度为0.01
精度非常低。
通过键入显示网络的可读参数参数个数。可学的．这些参数，例如权重（W.）和偏见（B.)的卷积层和全连接层，在训练时由网络更新。在训练过程中，不可学习的参数保持不变。
预训练网络的最后两个可学习参数配置为1000个类。
Conv10_w：[1×1×512×1000 dlarray]
conv10_b：[1000×1 dlarray]
参数CONV10_W.和CONV10_B.必须进行微调新的分类问题。通过初始化参数传输参数以对五类进行分类。
params.Learnables。CONV10_W.= rand(1,1,512,5); params.Learnables.conv10_B = rand(5,1);
冻结网络的所有参数将它们转换为非可爱参数。由于您不需要计算冻结层的渐变，因此冻结许多初始层的重量可以显着加速网络训练。
params = freezeparameters（Params，'全部'）;
解冻网络的最后两个参数以将它们转换为可学习参数。
Params = Unfreezeparameters（Params，'conv10_w'）;Params = Unfreezeparameters（Params，'conv10_b'）;
现在网络已准备好进行培训。初始化培训进度情节。
plots =.“培训 - 进展”;如果plots ==“培训 - 进展”图线轴杆=动画线;Xlabel（“迭代”) ylabel (“损失”的）结尾
指定培训选项。
速度= [];numepochs = 5;minibatchsize = 16;numobservations = size（ytrain，2）;numiterationsperepoch =楼层（numobservations./minibatchsize）;initiallearnrate = 0.01;势头= 0.9;衰减= 0.01;
训练网络。
迭代= 0;start = tic;ExecutionEnvironment =.“中央处理器”;在GPU上培训“GPU”的百分比变为“GPU”。％循环epochs。为了epoch = 1：numepochs％Shuffle数据。idx = randperm（numobservations）;XTrain = XTrain（：，：，：，IDX）;Ytrain = YTrain（：，IDX）;％循环在迷你批次。为了i = 1：numiterationsperepoch迭代=迭代+ 1;％读取迷你批次数据。IDX =（I-1）*小匹匹匹匹匹配+ 1：i *小匹匹配;x = xtrain（：：：：，IDX）;Y = YTRAIN（：，IDX）;如果在GPU上培训，则％如果将数据转换为GPUArray。如果（execultenvironment ==.“汽车”&& canusegpu）||executionenvironment ==.“GPU”x = gpuarray（x）;结尾％使用dlfeval和dlfeval评估模型渐变和损失％MACEMEGRADENTERS功能。[渐变，损失，状态] = DLFeval（@ MapeStradients，X，Y，Params）;params.state =状态;％确定基于时间的衰减学习率计划的学习率。LearnRate = InitialLearnrate /（1 +衰减*迭代）;％使用SGDM Optimizer更新网络参数。[Params.Learnables，速度] = SGDMUPDATE（Params.Learnables，梯度，速度）;％显示培训进度。如果plots ==“培训 - 进展”d =持续时间（0,0，toc（start），'格式'那'hh：mm：ss'）;Addpoints（LineLoStrain，迭代，Double（收集（提取数据（丢失）））标题（“时代：”+ epoch +“，经过：”+字符串（d））绘制结尾结尾结尾
微调后计算网络的分类准确性。
ComeascyAfterTraining = GetNetWorkaguracy（XTrain，Ytrain，Params）;FPRINTF（“转移学习后的％.2F精度\ n”，精确留下）;
1.00转移学习后的准确性
辅助功能
本节提供此示例中使用的辅助功能的代码。
这getnetworkaguracy.功能通过计算分类准确性来评估网络性能。
功能精度= getnorwworkaguracy（x，y，onnxparams）n = size（x，4）;ypred = scrizzenetfcn（x，onnxparams，'训练'，错误的）;[〜，yidx] = max（y，[]，1）;[〜，ypredidx] = max（ypred，[]，1）;numiCorrect = sum（abs（yidx-ypredidx）> 0）;精度= 1 - numiCorrect / n;结尾
这modelGradients功能计算丢失和渐变。
功能[毕业，丢失，状态] = MapeStradeents（x，y，onnxparams）[y，state] = screezenetfcn（x，onnxparams，'训练'，真的）;损失=联语（Y，Y，'dataformat'那'CB'）;Grad = Dlgradient（亏损，onnxparams.learnables）;结尾
这squeezenetonnx.函数生成一个ONNX模型挤压网络。
功能squeezenetONNX () exportONNXNetwork (squeezenet,'screezenet.onnx'）;结尾
输入参数
输出参数
您还可以从以下列表中选择一个网站：
