用于自定义层生成的选项，指定为数字或逻辑1（真正的)或0（假）.如果你设置generateCustomlayers.来真正的，importonnxnetwork.当软件不能将ONNX运算符转换为等效的内置MATLAB层时，尝试生成一个自定义层。importonnxnetwork.将每个生成的自定义图层保存到单独的．m文件in.+PackageName．要查看或编辑自定义层，请打开关联的．m文件。有关自定义图层的更多信息，请参阅深度学习自定义图层．

例子：GenerateCustomLayers = false

包装的名称importonnxnetwork.保存定制图层，指定为字符向量或字符串标量。importonnxnetwork.保存自定义图层包+PackageName在当前文件夹中。如果没有指定PackageName,然后importonnxnetwork.将自定义层保存在名为+modelfile在当前文件夹中。有关包的更多信息，请参见包创建名称空间．

例子：PackageName = " shufflenet_9 "

例子：packagename =“customlayers”

深度学习工具箱网络的目标类型，具体为“dagnetwork”或“dlnetwork”．这个函数importonnxnetwork.进口网络净作为一个DAGNetwork或dlnetwork.对象。

例子：targetnetwork =“dlnetwork”

网络输入的数据格式，指定为字符向量、字符串标量或字符串数组。importonnxnetwork.尝试从ONNX文件中解释输入数据格式。名称值参数InputDataFormats.是有用的,当importonnxnetwork.无法导出输入数据格式。

集InputDataFomats转换为按ONNX输入张量顺序排列的数据格式。例如，如果指定InputDataFormats.作为“bssc”，则导入网络有一个imageInputLayer输入。有关如何的更多信息importonnxnetwork.解释ONNX输入张量的数据格式以及如何指定InputDataFormats.有关不同的深度学习工具箱输入层，请参见转换ONNX输入和输出张量到内置MATLAB层．

如果指定空数据格式（[]或＂＂)，importonnxnetwork.自动解释输入数据格式。

例子：InputDataFormats ='BSSC'

例子：InputDataFormats =“BSSC”

例子：InputDataFormats = [" bcs”、“”、“公元前”)

例子：InputDataFormats = {bcs,[],“公元前”}

数据类型：char|细绳|细胞

网络输出的数据格式，指定为字符向量，字符串标量或字符串数​​组。importonnxnetwork.尝试从ONNX文件中解释输出数据格式。名称值参数OutputDataFormats是有用的,当importonnxnetwork.无法导出输出数据格式。

集OutputDataFormats以ONNX输出张量的顺序转换为数据格式。例如，如果指定OutputDataFormats作为“公元前”，则导入网络有一个ClassificationLayer.输出。有关如何的更多信息importonnxnetwork.解释ONNX输出张量的数据格式以及如何指定OutputDataFormats对于不同的深层学习工具箱输出图层，请参阅转换ONNX输入和输出张量到内置MATLAB层．

如果指定空数据格式（[]或＂＂)，importonnxnetwork.自动解释输出数据格式。

例子：公元前OutputDataFormats = ' '

例子：OutputDataFormats =“BC”

例子：outputDataFormats = [“BCSS”，“”，“BC”]

例子：outputDataFormats = {'bcss'，[]，'bc'}

数据类型：char|细绳|细胞

第一个网络输入的输入图像的大小，指定为对应于的三或四个数值的向量(高度、宽度、渠道)用于二维图像和[高度，宽度，深度，频道]3 d图像。网络仅在ONNX模型在时使用此信息modelfile没有指定输入大小。

例子：ImageInputSize = [28 28 1]为二维灰度输入图像

例子：ImageInputSize = [224 224 3]用于二维彩色输入图像

例子：ImageInputSize=[28 28 36 3]对于3-D颜色输入图像

第一个网络输出的图层类型，指定为“分类”，“回归”,或“pixelclassification”．这个函数importonnxnetwork.附加一个ClassificationOutputLayer.，RegressionOutputLayer,或pixelClassificationLayer(计算机视觉工具箱)对象到导入的网络架构的第一个输出分支末尾。附加A.pixelClassificationLayer(计算机视觉工具箱)对象需要计算机视觉工具箱™。如果ONNX模型modelfile指定输出层类型或您指定的TargetNetwork作为“dlnetwork”，importonnxnetwork.忽略name-value参数OutputLayerType．

例子：OutputLayerType = "回归"

用于第一个网络输出的输出层的类，指定为类别向量、字符串数组、字符向量的单元数组或“汽车”．如果类是“汽车”,然后importonnxnetwork.将类设置为分类(1:N)， 在哪里N是课程的数量。如果指定字符串数组或字符向量数组str,然后importonnxnetwork.设置输出层的类为分类(str, str)．如果您指定TargetNetwork作为“dlnetwork”，importonnxnetwork.忽略name-value参数类．

例子：类= {' 0 ',' 1 ',' 3 '}

例子：类=分类({‘狗’,‘猫’})

数据类型：char|分类|细绳|细胞

常数折叠优化，指定为“深的”，“浅”,或“没有”．在将ONNX运算符转换为等效的内置MATLAB层期间，通过在ONNX初始化器(初始常量值)上计算操作，常量折叠优化了导入的网络架构。

如果ONNX网络包含操作符，软件不能转换为等效的内置MATLAB层(参见ONNX运算符支持转换为内置M金宝appATLAB层），常量折叠优化可以减少不受支持的层数。金宝app当你设置时折叠型来“深的”，与将参数设置为时相比，网络具有相同或更少的不支持层金宝app“浅”．但是，网络导入时间可能会增加。集折叠型来“没有”禁用网络架构优化。

如果网络经过不断的折叠优化后仍然包含不支持的层，金宝appimportonnxnetwork.返回一个错误。在这种情况下，您可以通过使用导入网络importonnxLayers.或importONNXFunction．有关更多信息，请参阅选择功能．

例子：FoldConstants = "浅"