主要内容

importTensorFlowLayers

从TensorFlow网络

折叠所有页面

    语法

    lgraph = importTensorFlowLayers(modelFolder)
    lgraph = importTensorFlowLayers(modelFolder,Name,Value)

    描述

    例子

    lgraph= importTensorFlowLayers (modelFolder）从文件夹返回TensorFlow™网络的层modelFolder，其中包含保存的模型格式的模型(仅兼容TensorFlow 2)。该函数可以导入TensorFlow- keras顺序或函数API创建的TensorFlow网络。importTensorFlowLayers类中定义的层saved_model.pb文件中所包含的学习权重变量子文件夹，并返回lgraph作为一个LayerGraph对象。

    importTensorFlowLayers要求深度学习工具箱™TensorFlow模型转换器金宝app支持包。如果没有安装此支金宝app持包，则importTensorFlowLayers提供下载链接。

    请注意

    importTensorFlowLayers当您导入自定义TensorFlow层或当软件无法将TensorFlow层转换为等效的内置MATLAB时，会尝试生成自定义层®层。有关软件支持转换的层的列表，请参见金宝appTensorFlow-Keras层支持转换为内置金宝appMATLAB层．

    importTensorFlowLayers将生成的自定义层和相关的TensorFlow操作符保存在包中+modelFolder．

    importTensorFlowLayers它不会为不支持转换为内置MATLAB层的每个TensorFlow层自动生成自定义层。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

    lgraph= importTensorFlowLayers (modelFolder，名称,值）通过一个或多个名称-值参数指定的附加选项，从TensorFlow网络导入层和权重。例如,“OutputLayerType”、“分类”将分类输出层附加到导入的网络体系结构的末尾。

    例子

    全部折叠

    这个例子使用了:

    打开实时脚本

    导入预先训练好的TensorFlow网络，以保存的模型格式作为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。

    指定模型文件夹。

    如果~ (“digitsDAGnet”，“dir”)解压缩(“digitsDAGnet.zip”）结束modelFolder =”。/ digitsDAGnet '；

    指定类名。

    classNames = {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”};

    以保存的模型格式导入TensorFlow网络的层和权重。默认情况下,importTensorFlowLayers导入网络为LayerGraph对象。DAGNetwork对象。指定图像分类问题的输出层类型。

    lgraph = importTensorFlowLayers(modelFolder，“OutputLayerType”，“分类”）
    导入已保存的模型…翻译模型，这可能需要几分钟……完成翻译。
    lgraph = LayerGraph with properties: Layers: [13×1 nnet.cnn.layer.Layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

    显示导入网络的最后一层。输出显示importTensorFlowLayers附加一个ClassificationOutputLayer到网络架构的尽头。

    lgraph.Layers(结束)
    ans = ClassificationOutputLayer与属性:名称:'ClassificationLayer_activation_1'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_activation_1”．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);粘土。Classes = classNames;lgraph =替换层(lgraph，“ClassificationLayer_activation_1”、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: [13×1 nnet.cnn.layer.Layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

    读取要分类的图像。

    digitDatasetPath = fullfile(toolboxdir(“nnet”)，“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(net,I);

    显示图像和分类结果。

    imshow (I)标题([“分类结果”一会{标签}])

    这个例子使用了:

    打开实时脚本

    导入预先训练好的TensorFlow网络，以保存的模型格式作为LayerGraph对象。dlnetwork对象。然后，转换LayerGraph对象的dlnetwork对图像分类。

    指定模型文件夹。

    如果~ (“digitsDAGnet”，“dir”)解压缩(“digitsDAGnet.zip”）结束modelFolder =”。/ digitsDAGnet '；

    指定类名。

    classNames = {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”};

    导入TensorFlow网络作为与a兼容的层dlnetwork对象。

    lgraph = importTensorFlowLayers(modelFolder，“TargetNetwork”，“dlnetwork”）
    导入已保存的模型…翻译模型，这可能需要几分钟……完成翻译。
    lgraph = LayerGraph with properties: Layers: [12×1 nnet.cnn.layer.Layer] Connections: [12×2 table] InputNames: {'input_1'} OutputNames: {1×0 cell}

    读取要分类的图像并显示图像的大小。该图像是一个大小为28 × 28像素的灰度(单通道)图像。

    digitDatasetPath = fullfile(toolboxdir(“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”）;I = imread(fullfile(digitDatasetPath)，“5”，“image4009.png”));大小(我)
    ans =1×228日28日

    将导入的图层图转换为adlnetwork对象。

    Dlnet = dlnetwork(lgraph);

    显示网络的输入大小。在这种情况下，图像大小与网络输入大小相匹配。如果它们不匹配，则必须使用imresize(我netInputSize (1:2))．

    dlnet.Layers (1) .InputSize
    ans =1×328 28 1

    将图像转换为adlarray．用尺寸格式化图像“SSCB”(空间，空间，通道，批次)。在本例中，批处理大小为1，可以省略它(SSC的）.

    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);

    显示图像和分类结果。

    imshow (I)标题([“分类结果”一会{标签}])

    这个例子使用了:

    打开实时脚本

    导入预先训练好的TensorFlow网络，以保存的模型格式作为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。

    本例使用helper函数findCustomLayers．要查看此函数的代码，请参见Helper函数．

    指定模型文件夹。

    如果~ (“digitsDAGnetwithnoise”，“dir”)解压缩(“digitsDAGnetwithnoise.zip”）结束modelFolder =”。/ digitsDAGnetwithnoise '；

    指定类名。

    classNames = {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”};

    以保存的模型格式导入TensorFlow网络的层和权重。默认情况下,importTensorFlowLayers导入网络为LayerGraph对象。DAGNetwork对象。指定图像分类问题的输出层类型。

    lgraph = importTensorFlowLayers(modelFolder，“OutputLayerType”，“分类”）;
    导入已保存的模型…翻译模型，这可能需要几分钟……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appimportTensorFlowLayers可以自动生成自定义层来代替这些层。importTensorFlowLayers将每个生成的自定义层保存为单独的．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层的索引findCustomLayers，并显示自定义图层。

    ind = findCustomLayers(lgraph。层,' + digitsDAGnetwithnoise '）;lgraph.Layers(印第安纳州)
    ans = 2×1带有层的层数组:1' gaussian_noise_1' GaussianNoise digitsDAGnetwithnoise。kGaussianNoise1Layer3766 2' gaussian_noise_2' GaussianNoise digitsDAGnetwithnoise.kGaussianNoise2Layer3791

    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_activation_1”．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);粘土。Classes = classNames;lgraph =替换层(lgraph，“ClassificationLayer_activation_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。

    net =汇编网络(lgraph)
    net = DAGNetwork with properties: Layers: [15×1 nnet.cnn.layer.Layer] Connections: [15×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

    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importTensorFlowNetwork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

    输入参数

    全部折叠

    包含TensorFlow模型的文件夹名称，指定为字符向量或字符串标量。modelFolder必须在当前文件夹中，或者必须包含文件夹的完整路径或相对路径。modelFolder必须包含文件saved_model.pb子文件夹变量．它还可以包含子文件夹资产而且assets.extra．

    • 该文件saved_model.pb包含层图架构和训练选项(例如，优化器、损失和指标)。

    • 的子文件夹变量包含预训练TensorFlow网络学习到的权重。默认情况下,importTensorFlowLayers导入权重。

    • 的子文件夹资产包含层图可以使用的补充文件(例如词汇表)。importTensorFlowLayers不导入文件资产．

    • 的子文件夹assets.extra包含补充文件(如用户信息)，与层图共存。

    例子:“MobileNet”

    例子:”。/ MobileNet '

    名称-值参数

    指定可选参数对为Name1 = Value1,…,以=家,在那里的名字参数名称和价值对应的值。名称-值参数必须出现在其他参数之后，但对的顺序无关紧要。

    在R2021a之前，使用逗号分隔每个名称和值，并将其括起来的名字在报价。

    例子:importTensorFlowLayers (modelFolder‘TargetNetwork’,‘dagnetwork’,‘OutputLayerType’,“分类”)导入网络层和权重modelFolder，在包中保存自动生成的自定义层+ modelFolder，指定导入的层与DAGNetwork对象，并将分类输出层追加到导入层的末尾。

    所在包的名称importTensorFlowLayers保存自定义层，指定为字符向量或字符串标量。importTensorFlowLayers保存自定义图层包+PackageName在当前文件夹中。如果您没有指定“PackageName”,然后importTensorFlowLayers将自定义层保存在名为+modelFolder在当前文件夹中。有关包的详细信息，请参见包创建命名空间．

    importTensorFlowLayers当您导入自定义TensorFlow层或当软件无法将TensorFlow层转换为等效的内置MATLAB层时，会尝试生成自定义层。importTensorFlowLayers将每个生成的自定义层保存为单独的．m文件中+PackageName．要查看或编辑自定义层，请打开相关的．m文件。有关自定义层的更多信息，请参见深度学习自定义层．

    这个包+PackageName还能包含子包吗+行动．这个子包包含了与TensorFlow操作符对应的MATLAB函数(参见金宝app支持TensorFlow操作符)，用于自动生成的自定义层。importTensorFlowLayers将相关的MATLAB函数保存在单独的每个运算符中．m子包中的文件+行动．的目标函数dlnetwork，例如预测函数，在与自定义层交互时使用这些操作符。

    例子:“PackageName”、“MobileNet”

    例子:“PackageName”、“CustomLayers”

    导入网络架构的“深度学习工具箱”网络的目标类型，指定为“dagnetwork”或“dlnetwork”．

    • 如果你指定“TargetNetwork”作为“dagnetwork”，导入的网络架构可以兼容aDAGNetwork对象。在本例中，是导入的lgraph必须包含由TensorFlow保存的模型损失函数或名称-值参数指定的输出层吗“OutputLayerType”．

    • 如果你指定“TargetNetwork”作为“dlnetwork”，导入的网络架构可以兼容adlnetwork对象。在本例中，是导入的lgraph不包括输出层。

    例子:“TargetNetwork”、“dlnetwork”进口LayerGraph对象。dlnetwork对象。

    输出层的类型importTensorFlowLayers附加到导入的网络体系结构的末尾，指定为“分类”，“回归”,或“pixelclassification”．附加一个pixelClassificationLayer(计算机视觉工具箱)对象需要计算机视觉工具箱™。

    • 如果你指定“TargetNetwork”作为“dagnetwork”保存的模型modelFolder没有指定损失函数，必须给名称-值参数赋值吗“OutputLayerType”．一个DAGNetwork对象必须有输出层。

    • 如果你指定“TargetNetwork”作为“dlnetwork”，importTensorFlowLayers忽略名称-值参数“OutputLayerType”．一个dlnetwork对象没有输出层。

    例子:“OutputLayerType”、“分类”

    输入图像的大小为网络，指定为两个或三个矢量对应的数值(高度、宽度)对于灰度图像和(高度、宽度、渠道)分别用于彩色图像。网络使用此信息时saved_model.pb文件中modelFolder不指定输入大小。

    例子:“ImageInputSize”,[28 28]

    在命令窗口中显示导入进度信息的指示器，以数字或逻辑形式指定1（真正的)或0（假）.

    例子:“详细”,“真正的”

    输出参数

    全部折叠

    网络体系结构，返回为LayerGraph对象。

    要使用导入的层图进行预测，必须转换LayerGraph对象的DAGNetwork或dlnetwork对象。指定名称-值参数“TargetNetwork”作为“dagnetwork”或“dlnetwork”取决于预期的工作流。

    • 把一个LayerGraph到一个DAGNetwork通过使用assembleNetwork．在DAGNetwork对象，然后使用分类函数。

    • 把一个LayerGraph到一个dlnetwork通过使用dlnetwork．在dlnetwork对象，然后使用预测函数。将输入数据指定为dlarray使用正确的数据格式(有关详细信息，请参阅fmt的观点dlarray）.

    限制

    • importTensorFlowLayers金宝app支持TensorFlow v2.0到2.6版本。

    更多关于

    全部折叠

    TensorFlowkeras层支持转换为内置金宝appMATLAB层

    importTensorFlowLayers金宝app支持以下TensorFlow-Keras层类型转换为内置的MATLAB层，但有一些限制。

    TensorFlow-Keras层 对应的深度学习工具箱层
    添加 additionLayer

    激活，激活名称:

    • “elu”

    • “relu”

    • “线性”

    • “softmax”

    • “乙状结肠”

    • “漂亮”

    • 的双曲正切

    层:

    先进的激活:

    • ELU

    • Softmax

    • 线性整流函数（Rectified Linear Unit）

    • LeakyReLU

    • PReLu*

    层:
    AveragePooling1D averagePooling1dLayer与PaddingValue指定为“的意思是”
    AveragePooling2D averagePooling2dLayer与PaddingValue指定为“的意思是”
    BatchNormalization batchNormalizationLayer
    双向(LSTM (__)) bilstmLayer
    连接 depthConcatenationLayer
    Conv1D convolution1dLayer
    Conv2D convolution2dLayer
    Conv2DTranspose transposedConv2dLayer
    CuDNNGRU gruLayer
    CuDNNLSTM lstmLayer
    密集的 fullyConnectedLayer
    DepthwiseConv2D groupedConvolution2dLayer
    辍学 dropoutLayer
    嵌入 wordEmbeddingLayer(文本分析工具箱)
    平 nnet.keras.layer.FlattenCStyleLayer
    GlobalAveragePooling1D globalAveragePooling1dLayer
    GlobalAveragePooling2D globalAveragePooling2dLayer
    GlobalMaxPool1D globalMaxPooling1dLayer
    GlobalMaxPool2D globalMaxPooling2dLayer
    格勒乌 gruLayer
    输入 imageInputLayer，sequenceInputLayer,或featureInputLayer
    LSTM lstmLayer
    MaxPool1D maxPooling1dLayer
    MaxPool2D maxPooling2dLayer
    乘 multiplicationLayer
    SeparableConv2D groupedConvolution2dLayer或convolution2dLayer
    TimeDistributed sequenceFoldingLayer在包裹层之前，和sequenceUnfoldingLayer在包裹层之后
    UpSampling2D resize2dLayer(图像处理工具箱)
    UpSampling3D resize3dLayer(图像处理工具箱)
    ZeroPadding1D nnet.keras.layer.ZeroPadding1DLayer
    ZeroPadding2D nnet.keras.layer.ZeroPadding2DLayer

    *对于PReLU层，importTensorFlowLayers将向量值的缩放参数替换为向量元素的平均值。您可以在导入后将参数更改为向量。有关示例，请参见导入Keras PReLU图层．

    金宝app支持TensorFlow-Keras损失函数

    importTensorFlowLayers金宝app支持以下Keras损失函数:

    • mean_squared_error

    • categorical_crossentropy

    • sparse_categorical_crossentropy

    • binary_crossentropy

    金宝app支持TensorFlow运营商

    importTensorFlowLayers金宝app支持以下TensorFlow运算符转换为MATLAB函数dlarray金宝app支持。

    TensorFlow运营商 对应的MATLAB函数
    添加 tfAdd
    AddN tfAddN
    AddV2 tfAdd
    AvgPool tfAvgPool
    BatchMatMulV2 tfBatchMatMulV2
    BiasAdd tfBiasAdd
    BroadcastTo tfBroadcastTo
    投 tfCast
    ConcatV2 tfCat
    常量 无(转换为自定义层的权重)
    Conv2D tfConv2D
    DepthToSpace depthToSpace(图像处理工具箱)
    DepthwiseConv2dNative tfDepthwiseConv2D
    经验值 经验值
    ExpandDims tfExpandDims
    FusedBatchNormV3 tfBatchnorm
    GatherV2 tfGather
    身份 无(转换为自定义层的值赋值)
    IdentityN tfIdentityN
    L2Loss tfL2Loss
    LeakyRelu leakyrelu
    少 lt，<
    日志 日志
    MatMul tfMatMul
    MaxPool tfMaxPool
    最大 tfMaximum
    的意思是 tfMean
    最低 tfMinimum
    MirrorPad tfMirrorPad
    Mul tfMul
    负的 -，-
    包 tfStack
    垫 tfPad
    PadV2 tfPad
    PartitionedCall 无(转换为自定义层方法中的函数)
    战俘 权力，．^
    刺激 tfProd
    RandomStandardNormal tfRandomStandardNormal
    范围 tfRange
    ReadVariableOp 无(转换为自定义层的值赋值)
    RealDiv tfDiv
    线性整流函数（Rectified Linear Unit） 线性整流函数（Rectified Linear Unit）
    Relu6 线性整流函数（Rectified Linear Unit）而且最小值
    重塑 tfReshape
    ResizeNearestNeighbor dlresize(图像处理工具箱)
    Rsqrt √6
    形状 tfShape
    乙状结肠 乙状结肠
    Softmax softmax
    SpaceToDepth spaceToDepth(图像处理工具箱)
    广场 . ^ 2
    √6 √6
    SquaredDifference tfMul或tfSub
    挤压 tfSqueeze
    StatefulPartitionedCall 无(转换为自定义层方法中的函数)
    StopGradient tfStopGradient
    StridedSlice tfStridedSlice或tfSqueeze
    子 tfSub
    双曲正切 双曲正切
    瓷砖 tfTile
    转置 tfTranspose

    有关操作于的函数的更多信息dlarray对象,看到支持dlarray的函数列表金宝app．

    为导入的网络架构生成代码

    你可以使用MATLAB编码器™或GPU Coder™与深度学习工具箱一起生成MEX，独立CPU, CUDA®MEX，或用于导入网络的独立CUDA代码。有关更多信息，请参见深度学习代码生成．

    • 使用MATLAB编码器使用深度学习工具箱生成在桌面或嵌入式目标上运行的MEX或独立CPU代码。您可以部署生成的使用Intel的独立代码®MKL-DNN库或ARM®计算库。或者，您也可以生成不调用第三方库函数的通用C或c++代码。有关更多信息，请参见深度学习与MATLAB编码器(MATLAB编码器)．

    • 使用GPU编码器与深度学习工具箱生成CUDA MEX或独立CUDA代码运行在桌面或嵌入式目标。您可以部署生成的独立CUDA代码，使用CUDA深度神经网络库(cuDNN)、TensorRT™高性能推断库或用于Mali GPU的ARM计算库。有关更多信息，请参见GPU编码器的深度学习(GPU编码器)．

    importTensorFlowLayers返回网络架构lgraph作为一个LayerGraph对象。对于代码生成，必须首先转换导入的LayerGraph对象添加到网络。把一个LayerGraph对象的DAGNetwork或dlnetwork对象，使用assembleNetwork或dlnetwork．欲知更多有关MATLAB编码器和GPU编码器对深度学习工具金宝app箱对象的支持，请参见金宝app支持类(MATLAB编码器)而且金宝app支持类(GPU编码器),分别。

    您可以为任何导入的层支持代码生成的网络生成代码。金宝app获取支持使用的代码生成的层的列表金宝appMATLAB编码器和GPU Coder，参见金宝app支持层(MATLAB编码器)而且金宝app支持层(GPU编码器),分别。有关每个内置MATLAB层的代码生成功能和限制的更多信息，请参阅该层的扩展功能部分。例如，请参见代码生成而且GPU代码生成的imageInputLayer．

    在GPU上使用导入网络层

    importTensorFlowLayers不会在GPU上执行。然而,importTensorFlowLayers导入深度学习预训练神经网络的层LayerGraph对象，你可以在GPU上使用。

    • 转换导入的LayerGraph对象的DAGNetwork对象，使用assembleNetwork．在DAGNetwork对象，然后您可以通过使用预测CPU或GPU上的类标签分类．使用name-value参数指定硬件需求ExecutionEnvironment．对于具有多个输出的网络，使用预测函数并指定名称-值参数ReturnCategorical作为真正的．

    • 转换导入的LayerGraph对象的dlnetwork对象，使用dlnetwork．在dlnetwork对象，然后您可以通过使用预测CPU或GPU上的类标签预测．这个函数预测如果输入数据或网络参数存储在GPU上，则在GPU上执行。

      • 如果你使用minibatchqueue要处理和管理输入数据的小批，可以使用minibatchqueue如果GPU可用，对象默认将输出转换为GPU数组。

      • 使用dlupdate转换a的可学习参数dlnetwork对象到GPU数组。

        net = dlupdate(@gpuArray,net)

    • 你可以培训进口的LayerGraph对象在CPU或GPU上使用trainNetwork．若要指定培训选项，包括用于执行环境的选项，请使用trainingOptions函数。使用name-value参数指定硬件需求ExecutionEnvironment．有关如何加速训练的更多信息，请参见并行、gpu和云中扩展深度学习．

    使用GPU需要并行计算工具箱™和受支持的GPU设备。金宝app有关受支持设备的信息，请参见金宝appGPU支金宝app持版本(并行计算工具箱)．

    提示

    • 如果导入的网络包含不支持转换为内置MATLAB层的层(请参阅金宝appTensorFlow-Keras层支持转换为内置金宝appMATLAB层),importTensorFlowLayers不自动生成一个自定义层，然后importTensorFlowLayers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．

    • 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。

      • 要调整图像大小，请使用imresize．例如,[3] 227227年imresize(图片)．

      • 要将图像从RGB格式转换为BGR格式，请使用翻转．例如,翻转(图片3)．

      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．

    • 包裹的成员+PackageName(自定义层和TensorFlow操作符)是不可访问的，如果包的父文件夹不在MATLAB路径上。有关更多信息，请参见包和MATLAB路径．

    • 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

    使用importTensorFlowNetwork或importTensorFlowLayers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，请使用importKerasNetwork或importKerasLayers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．

    版本历史

    R2021a中引入

    另请参阅

    ||||||||||||

    主题