importTensorFlowLayers
语法
描述
lgraph= importTensorFlowLayers (modelFolder）modelFolder该函数可以导入使用TensorFlow- keras顺序或功能API创建的TensorFlow网络。importTensorFlowLayers中定义的层saved_model.pb文件中包含的学习权值变量子文件夹，并返回lgraph作为一个LayerGraph对象。
importTensorFlowLayers要求深度学习工具箱™转换器的TensorFlow模型金宝app支持包。如果未安装此支持金宝app包，则importTensorFlowLayers提供下载链接。
请注意
importTensorFlowLayers当您导入自定义TensorFlow层或软件无法将TensorFlow层转换为等效的内置MATLAB时，尝试生成自定义层®层。有关软件支持转换的层列表，请参见金宝app支持转换为内置MATLAB层的TensorFlo金宝appw-Keras层。
importTensorFlowLayers在包中保存生成的自定义层和相关的TensorFlow操作符+。modelFolder
importTensorFlowLayers不会自动为每个不支持转换为内置MATLAB层的TensorFlow层生成自定义层。金宝app有关如何处理不受支持的层的详细信息，请参见金宝app提示。
lgraph= importTensorFlowLayers (modelFolder，名称,值）“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
导入TensorFlow网络作为层图兼容DAGNetwork
以保存的模型格式导入预训练的TensorFlow网络LayerGraph对象。然后，将导入的图层组装成DAGNetwork对象，并使用组合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网络的层和权值。默认情况下,importTensorFlowLayers导入网络为LayerGraph对象兼容DAGNetwork对象。为图像分类问题指定输出层类型。
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到网络架构结束。
lgraph.Layers(结束)
ans = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters 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。如果不指定类，则软件会自动将类设置为1，2、……N,在那里N是类的数量。
分类层有一个名称“ClassificationLayer_activation_1”。将类设置为一会然后将导入的分类层替换为新的分类层。
cLayer = lgraph.Layers(end);粘土。Classes = classNames;lgraph = replaceLayer(lgraph;“ClassificationLayer_activation_1”、粘土);
组装层图使用assembleNetwork返回aDAGNetwork对象。
装配网络(lgraph)
net = DAGNetwork with properties: Layers: [13×1 nnet.cnn.layer.Layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
阅读你想要分类的图像。
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。
label = classification (net,I);
显示图像和分类结果。
imshow (I)标题([“分类结果”一会{标签}])
导入TensorFlow网络作为层图兼容dlnetwork
以保存的模型格式导入预训练的TensorFlow网络LayerGraph对象兼容dlnetwork对象。然后，将LayerGraph反对dlnetwork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”}；
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。该图像是灰度(单通道)图像，大小为28 × 28像素。
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、批量)。在本例中，批大小为1，您可以忽略它(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_array);[~，label] = max(prob);
显示图像和分类结果。
imshow (I)标题([“分类结果”一会{标签}])
导入TensorFlow网络作为层图与自动生成的自定义层
以保存的模型格式导入预训练的TensorFlow网络LayerGraph对象。然后，将导入的图层组装成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当您导入这些图层时，软件会自动生成自定义图层。
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网络的层和权值。默认情况下,importTensorFlowLayers导入网络为LayerGraph对象兼容DAGNetwork对象。为图像分类问题指定输出层类型。
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的地方，这些层。importTensorFlowLayers保存每个生成的自定义层到一个单独的。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层数组与层:1' gaussian_noise_1' GaussianNoise digitsDAGnetwithnoise。kgaussiannoise2layer3791 . 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。如果不指定类，则软件会自动将类设置为1，2、……N,在那里N是类的数量。
分类层有一个名称“ClassificationLayer_activation_1”。将类设置为一会然后将导入的分类层替换为新的分类层。
cLayer = lgraph.Layers(end);粘土。Classes = classNames;lgraph = replaceLayer(lgraph;“ClassificationLayer_activation_1”、粘土);
组装层图使用assembleNetwork。函数返回一个DAGNetwork对象，该对象准备用于预测。
装配网络(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
本节提供helper函数的代码findCustomLayers在本例中使用。findCustomLayers返回指数的自定义图层importTensorFlowNetwork自动生成。
函数索引= findCustomLayers(layers,PackageName) s = what(‘。’PackageName]);index = 0 (1,length(s.m));为I = 1:长度(层)为J = 1:长度(s.m)如果strcmpi(类(层(i)), [PackageName(2:结束)“。”m{j}(1:end-2)]) index (j) = i;结束结束结束结束
输入参数
输出参数
限制
importTensorFlowLayers金宝app支持TensorFlow版本v2.0到2.6。
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),
importTensorFlowLayers不会自动生成自定义层，那么importTensorFlowLayers在不支持的图层上插入一个占位符图层。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，您可以用您定义的新层替换占位符层。要替换一个图层，使用replaceLayer。要使用预训练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、减去图像平均值以及将图像从BGR格式转换为RGB格式。
有关用于训练和预测的图像预处理的更多信息，请参见深度学习的图像预处理。
包的成员
+如果包父文件夹不在MATLAB路径上，则无法访问(自定义层和TensorFlow操作符)。有关更多信息，请参见软件包和MATLAB路径。PackageNameMATLAB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，使用索引数组(
印第安纳州)，将数组转换为印第安纳州+ 1。有关更多提示，请参阅从TensorFlow, PyTorch和ONNX导入模型的技巧。
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，则使用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。
