replaceLayer
替换层中的层图
语法
描述
例子
替换图层图中的图层
定义一个简单的网络架构并绘制它。
图层= [imageInputLayer([28 28 1],“名字”,“输入”) convolution2dLayer(3, 16岁,“填充”,“相同”,“名字”,“conv_1”) reluLayer (“名字”,“relu_1”) additionLayer (2“名字”,“添加”) fullyConnectedLayer (10“名字”,“俱乐部”) softmaxLayer (“名字”,“softmax”) classificationLayer (“名字”,“classoutput”));lgraph = layerGraph(图层);lgraph = connectLayers(“输入”,“添加/ in2”);图绘制(lgraph)
将网络中的ReLU层替换为批处理规范化层,然后再替换为泄漏的ReLU层。
larray = [batchNormalizationLayer(“名字”,“BN1”) leakyReluLayer (“名字”,“leakyRelu_1”,“规模”0.1)];lgraph =替换层(lgraph,“relu_1”, larray);情节(lgraph)
从预训练的Keras层组装网络
这个示例展示了如何从预训练的Keras网络导入层,用自定义层替换不支持的层,并将这些层组装成一个网络,以便进行预测。金宝app
导入Keras网络
从Keras网络模型导入层。美国的网络“digitsDAGnetwithnoise.h5”
对数字图像进行分类。
文件名=“digitsDAGnetwithnoise.h5”;lgraph = importKerasLayers(文件名,“ImportWeights”,真正的);
警告:无法导入一些Keras层,因为深度学习工具箱不支持它们。金宝app它们已被占位符层所取代。为了找到这些层,在返回的对象上调用findPlaceholderLayers函数。
Keras网络包含一些深度学习工具箱不支持的层。金宝app的importKerasLayers
函数显示警告并将不支持的层替换为占位符层。金宝app
绘制层图使用情节
.
图表(lgraph)标题(“进口网络”)
替换占位符图层
要替换占位符层,首先确定要替换的层的名称。找到占位符层使用findPlaceholderLayers
.
placeholderLayers = findPlaceholderLayers(lgraph)
1' gaussian_noise_1' PLACEHOLDER LAYER 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER 'GaussianNoise' Keras层的占位符
显示这些层的Keras配置。
placeholderLayers。KerasConfiguration
ans =带字段的结构:可训练:1名:'gaussian_noise_1' stddev: 1.5000
ans =带字段的结构:可训练:1名:'gaussian_noise_2' stddev: 0.7000
定义一个自定义高斯噪声层。要创建这个图层,保存文件gaussianNoiseLayer.m
在当前文件夹中。然后,创建两个高斯噪声层,与导入的Keras层配置相同。
gnLayer1 = gaussianNoiseLayer(1.5,“new_gaussian_noise_1”);gnLayer2 = gaussianNoiseLayer(0.7,“new_gaussian_noise_2”);
使用自定义层替换占位符层replaceLayer
.
lgraph =替换层(lgraph,“gaussian_noise_1”, gnLayer1);lgraph =替换层(lgraph,“gaussian_noise_2”, gnLayer2);
绘制更新后的图层图情节
.
图表(lgraph)标题(“替换层的网络”)
指定类名
如果导入的分类层不包含类,则必须在预测之前指定这些类。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。
属性来查找分类层的索引层
层图的属性。
lgraph。层
ans = 15x1带有图层的图层数组:1“input_1”图像输入28 x28x1图片2的conv2d_1卷积20 7 x7x1旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4 conv2d_2的卷积20 3 x3x1旋转步[1]和填充“相同”5“conv2d_2_relu”ReLU ReLU 6 new_gaussian_noise_1高斯噪声的高斯噪声标准差为1.5 7 new_gaussian_noise_2高斯噪声的高斯噪声标准差为0.7 8“max_pooling2d_1”马克斯池2 x2马克斯2[2]和池与进步padding 'same' 9 'max_pooling2d_2' Max Pooling 2x2 Max Pooling with stride[2 2]和padding 'same' 10 ' flat_1 ' Keras Flatten Flatten activation into 1-D假设C-style (row-major) order 11 ' flat_2 ' Keras Flatten Flatten activation into 1-D假设C-style (row-major) order 12 'concatenate_1' Depth concatenate_1' 2个输入的深度连接13 'dense_1' Fully Connected 10 Fully Connected layer 14 'activation_1' Softmax Softmax 15 'ClassificationLayer_activation_1' Classification输出crossentropyex
分类层有名称“ClassificationLayer_activation_1”
.查看分类层,检查类
财产。
cLayer = lgraph.Layers(end)
cLayer = ClassificationOutputLayer与属性:名称:'ClassificationLayer_activation_1'类:'auto' ClassWeights: 'none' OutputSize: 'auto'超参数LossFunction: 'crossentropyex'
因为类
层的属性为“汽车”
时,必须手动指定类。将类设置为0
,1
、……9
,然后将导入的分类层替换为新的分类层。
粘土。class = string(0:9)
cLayer = ClassificationOutputLayer与属性:名称:'ClassificationLayer_activation_1'类:[0 1 2 3 4 5 6 7 8 9]ClassWeights: 'none' OutputSize: 10超参数LossFunction: 'crossentropyex'
lgraph =替换层(lgraph,“ClassificationLayer_activation_1”、粘土);
组装网络
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: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
输入参数
lgraph
- - - - - -层图
LayerGraph
对象
层图,指定为aLayerGraph
对象。要创建图层图,请使用layerGraph
.
layerName
- - - - - -要替换的层的名称
字符串标量|特征向量
要替换的层的名称,指定为字符串标量或字符向量。
larray
- - - - - -网络层
层
数组
网络层,指定为a层
数组中。
有关内置层的列表,请参见深度学习层列表.
模式
- - - - - -方法重新连接层
“名字”
(默认)|“秩序”
方法重新连接指定为下列之一的层:
“名字”
——重新连接larray
使用被替换层的输入和输出名称。对于连接到被替换层的输入的每个层,将该层重新连接到的相同输入名称的输入larray (1)
.对于连接到被替换层的输出的每个层,将该层重新连接到相同输出名称的输出larray(结束)
.“秩序”
——重新连接larray
的输入名称的顺序larray (1)
的输出名称larray(结束)
.的连接层重新连接我
第Th个被替换层的输入我
的Th输入larray (1)
.的连接层重新连接j
第Th输出替换层到j
的输出larray(结束)
.
数据类型:字符
|字符串
输出参数
newlgraph
-输出层图
LayerGraph
对象
输出层图,返回为LayerGraph
对象。
版本历史
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝app
您也可以从以下列表中选择一个网站:
如何获得最佳的网站性能
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。