输入流层
进口层TensorFlow网络
描述
lgraph=导入器流层(modeldolder.）modeldolder.该函数可以导入用TensorFlow- keras顺序或函数API创建的TensorFlow网络。输入流层导入中定义的图层saved_model.pb文件中包含的文件和学习的权重变量子文件夹,并返回lgraph作为一个LayerGraph对象。
输入流层要求用于张量流模型的深度学习工具箱™转换器金宝app支持包。如果没有安装此支金宝app持包，则输入流层提供下载链接。
请注意
输入流层尝试在导入自定义Tensorflow层或软件无法将TensorFlow层转换为同等内置MATLAB时生成自定义层®图层。有关软件支持转换的图层列表，请参阅金宝app支持转换为内置MATLAB层的TensoRFLO金宝appW-KERAS层．
输入流层在包中保存生成的自定义层和关联的TensorFlow操作符+．modeldolder.
输入流层不会为不支持转换为内置MATLAB层的每个TensorFlow图层自动生成自定义图层。金宝app有关如何处理不受支持的图层的更多信息，请参阅金宝app提示．
lgraph=导入器流层(modeldolder.，名称,值）“OutputLayerType”、“分类”在导入的网络体系结构的末尾附加分类输出层。
例子
将TensoRFlow网络导入层图兼容Dagnetwork.
以保存的模型格式导入预先训练好的TensorFlow网络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。
指定模型文件夹。
如果~存在(“digitsDAGnet”，“dir”)解压('digitsdagnet.zip'）结束模型文件夹=”。/ digitsDAGnet '；
指定类名。
类名={' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；
以保存的模型格式导入TensorFlow网络的层和权值。默认情况下,输入流层将网络导入为LayerGraph对象与a兼容Dagnetwork.对象。指定图像分类问题的输出层类型。
lgraph=导入传感器FlowLayers（modelFolder，“OutputLayerType”，“分类”）
正在导入保存的模型…正在翻译模型，这可能需要几分钟…已完成翻译。
lgraph=LayerGraph，属性为：层：[13×1 nnet.cnn.layer.layer]连接：[13×2表]输入名称：{'input_1'}输出名称：{'ClassificationLayer_activation_1'}
显示导入网络的最后一层。输出显示输入流层附加一个分类输出层到网络架构的末尾。
lgraph.Layers(结束)
名称:'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'
分类层不包含类，因此在组装网络之前必须指定这些类。如果不指定类，则软件会自动将这些类设置为1，2, ...,N哪里N为类数。
分类层具有名称“分类层\激活\ 1”．将课程设置为一会然后用新的分类层替换导入的分类层。
粘土= lgraph.Layers(结束);粘土。类=一会;lgraph = replaceLayer (lgraph,“分类层\激活\ 1”、粘土);
使用层图assembleNetwork返回一个Dagnetwork.对象。
净= assembleNetwork (lgraph)
net = DAGNetwork with properties: Layers: [13×1 net.cnn.layer. layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
阅读要对的图像进行分类。
digitDatasetPath = fullfile (toolboxdir (“内特”），“nndemos”，“nndatasets”，“DigitDataset”）;i = imread（fullfile（digitdatasetpath，“5”，'image4009.png'））;
使用导入的网络对图像进行分类。
标签=分类(净,我);
显示图像和分类结果。
imshow (I)标题([的分类结果一会{标签}])
将TensoRFlow网络导入层图兼容dlnetwork
以保存的模型格式导入预先训练好的TensorFlow网络LayerGraph对象与a兼容dlnetwork对象。然后，转换LayerGraph对象一个dlnetwork对图像进行分类。
指定模型文件夹。
如果~存在(“digitsDAGnet”，“dir”)解压('digitsdagnet.zip'）结束模型文件夹=”。/ digitsDAGnet '；
指定类名。
类名={' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；
导入TensorFlow网络作为层兼容dlnetwork对象。
lgraph=导入传感器FlowLayers（modelFolder，“TargetNetwork”，“dlnetwork”）
正在导入保存的模型…正在翻译模型，这可能需要几分钟…已完成翻译。
LAPHR =具有属性的分层图：图层：[12×1 nnet.cnn.layer.layer]连接：[12×2表]输入名称：{'input_1'}输出名：{1×0小区}
读取要对图像进行分类和显示图像大小的图像。图像是具有尺寸为28×28像素的灰度（单通道）图像。
digitDatasetPath = fullfile (toolboxdir (“内特”），“nndemos”，“nndatasets”，“DigitDataset”）;i = imread（fullfile（digitdatasetpath，“5”，'image4009.png'））;尺寸（i）
ans =1×228日28日
将导入的图层图转换为dlnetwork对象。
dlnet = dlnetwork (lgraph);
显示网络的输入大小。在本例中，图像大小与网络输入大小匹配。如果它们不匹配，您必须使用imresize（I，网络输入大小（1:2））．
dlnet.Layers（1）.输入大小
ans =1×328日28日1
将图像转换为dlarray．用尺寸格式化图像“SSCB”(spatial, spatial, channel, batch)。在本例中，批大小为1，您可以省略它(SSC的)．
i_dlarray = dlarray（单（i），“SSCB”）;
分类样本图像并查找预测标签。
概率=预测(dlnet I_dlarray);[~,标签]= max(概率);
显示图像和分类结果。
imshow (I)标题([的分类结果一会{标签}])
使用自动生成的自定义图层将TensorFlow网络作为图层图导入
以保存的模型格式导入预先训练好的TensorFlow网络LayerGraph对象。然后，将导入的图层组装成一个Dagnetwork.对象。导入的网络包含不支持转换为内置MATLAB层的层。金宝app当您导入这些层时，软件会自动生成自定义层。
此示例使用辅助功能findCustomLayers．要查看此函数的代码，请参见Helper函数．
指定模型文件夹。
如果~存在(“digitsDAGnetwithnoise”，“dir”)解压(“digitsDAGnetwithnoise.zip”）结束模型文件夹=”。/ digitsDAGnetwithnoise '；
指定类名。
类名={' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；
以保存的模型格式导入TensorFlow网络的层和权值。默认情况下,输入流层将网络导入为LayerGraph对象与a兼容Dagnetwork.对象。指定图像分类问题的输出层类型。
lgraph=导入传感器FlowLayers（modelFolder，“OutputLayerType”，“分类”）;
正在导入保存的模型…正在翻译模型，这可能需要几分钟…已完成翻译。
如果导入的网络包含不支持转换为内置MATLAB层的层，则金宝app输入流层可以自动生成自定义图层来代替这些图层。输入流层将生成的每个自定义图层保存到单独的．m包中的文件+ digitsdagnetwithnoise.在当前文件夹中。
使用helper函数查找自动生成的自定义图层的索引findCustomLayers，并显示自定义层。
ind=findCustomLayers（lgraph.Layers，' + digitsDAGnetwithnoise '）;lgraph.Layers(印第安纳州)
ANS = 2×1层阵列带图层：1'Gaussian_Noise_1'Gaussiannoise DigitsDagnetWithNoise.kgaussiannoise1Layer3766 2'Gaussian_Noise_2'Gaussiannoise DigitsDagnetWithNoise.kgaussiannoise2Layer3791
分类层不包含类，因此在组装网络之前必须指定这些类。如果不指定类，则软件会自动将这些类设置为1，2, ...,N哪里N为类数。
分类层具有名称“分类层\激活\ 1”．将课程设置为一会然后用新的分类层替换导入的分类层。
粘土= lgraph.Layers(结束);粘土。类=一会;lgraph = replaceLayer (lgraph,“分类层\激活\ 1”、粘土);
使用层图assembleNetwork．函数返回Dagnetwork.准备好用于预测的对象。
净= assembleNetwork (lgraph)
net = DAGNetwork with properties: Layers: [15×1 net.cnn.layer. layer] Connections: [15×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
Helper函数
本节提供helper函数的代码findCustomLayers在这个例子中使用。findCustomLayers返回指数自定义层的importTensorFlowNetwork自动生成。
函数index = findCustomLayers(layers,PackageName) s = what(['.\'PackageName]）；索引=零（1，长度（s.m））；为i = 1:长度(层)为j = 1:长度(小)如果strcmpi(类(层(i)), [PackageName(2:结束)“。”s.m {j}（1：end-2）]）指数（j）= i;结束结束结束结束
输入参数
输出参数
限制
输入流层金宝app支持Tensorflow版本v2.0，v2.1，v.2.2和v2.3。
更多关于
提示
如果导入的网络包含不支持转换为内置MATLAB层的层(参见金宝app支持转换为内置MATLAB层的TensoRFLO金宝appW-KERAS层)及
输入流层不会自动生成自定义图层，则输入流层将占位符层插入到代替不支持的层。金宝app要查找网络中不受支持的图层的名称和指标，请使用金宝appfindPlaceholderLayers作用然后，可以使用定义的新图层替换占位符图层。要替换图层，请使用replaceLayer．要使用预先训练的网络对新图像进行预测或迁移学习，必须以与用于训练导入模型的图像的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，以及将图像从BGR图像转换为RGB图像。
有关为训练和预测而预处理图像的详细信息，请参见深度学习的图像预处理．
包裹的成员
+（如果包父文件夹不在Matlab路径上，则无法访问（自定义图层和TensoRFlow运算符）。有关更多信息，请参阅软件包与MATLAB路径．包裹名字
选择功能
用importTensorFlowNetwork或者输入流层以保存的模型格式导入TensorFlow网络［２］．或者，如果网络是HDF5或JSON格式，则使用进口卡拉斯网络或者进口卡拉斯层导入网络。
参考文献
［１］TensorFlow．https://www.tensorflow.org/．
［２］使用SavedModel格式．https://www.tensorflow.org/guide/saved_model．
另请参阅
进口卡拉斯层|进口卡拉斯网络|进口网络|importONNXLayers|exportONNXNetwork|进口咖啡机|importCaffeNetwork|importONNXFunction|分层图|assembleNetwork|findPlaceholderLayers|replaceLayer|importTensorFlowNetwork
你也可以从以下列表中选择一个网站:
