此示例演示如何从预训练的Keras网络导入层,将不支持的层替换为自定义层,并将层组装到网络中以备预测。金宝app
从Keras网络模型导入图层。中的网络“digitsDAGnetwithnoise.h5”
对数字图像进行分类。
文件名=“digitsDAGnetwithnoise.h5”;lgraph = importKerasLayers(文件名,“重要性”,对);
警告:无法导入某些Keras层,因为深度学习工具箱不支持它们。它们已被占位符层替换。要查找这些层,请对返回的对象调用函数findPl金宝appaceholderLayers。
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,并用占位符图层替换不支持的图层。金宝app
使用以下命令绘制图层图:情节
.
图形绘图(lgraph)标题(“进口网络”)
要替换占位符层,请首先标识要替换的层的名称。使用查找占位符层findPlaceholderLayers
.
占位符层=findPlaceholderLayers(lgraph)
placeholderLayers = 2x1 PlaceholderLayer array with layers: 1' gaussian_noise_1' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER
显示这些图层的Keras配置。
placeholder.KerasConfiguration
ans=带字段的结构:可培训:1名:“高斯噪声”标准差:1.5000
ans=带字段的结构:可培训:1名:“高斯噪声”标准差:0.7000
定义自定义高斯噪波层。要创建此图层,请保存文件高斯非线性
在当前文件夹中。然后,创建两个高斯噪声层,配置与导入的Keras层相同。
gnLayer1=高斯各向异性层(1.5,“新的高斯噪声”);gnLayer2 = gaussianNoiseLayer (0.7,“新的高斯噪声”);
使用自定义图层替换占位符图层替换层
.
lgraph = replaceLayer (lgraph,“高斯噪声1”,gn1);lgraph=替换层(lgraph,“高斯噪声”, gnLayer2);
使用打印更新的图层图情节
.
图形绘图(lgraph)标题(“已替换层的网络”)
如果导入的分类层不包含类别,则必须在预测之前指定这些类别。如果未指定类别,则软件会自动将类别设置为1.
,2.
, ...,N
哪里N
是班级的数量。
通过查看层
层图的属性。
层
ans = 15x1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 7new_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马克斯池步(2 - 2)和填充“相同”9“max_pooling2d_2”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”10 ' flatten_1 Keras平压平激活成一维假设c风格的(行)11' Flatten ' Flatten激活到1-D假设C-style(行-主要)顺序12 'concatenate_1' Depth concatenate_1' Depth concatenate_1' Fully Connected 10 Fully Connected layer 14 'activation_1' Softmax Softmax 15 'ClassificationLayer_activation_1' Classification Output crossentropyex
分类层的名称为“分类层\激活\ 1”
.查看分类层并检查班级
财产。
cLayer=lgraph.Layers(结束)
cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'
因为班级
属性为“自动”
,则必须手动指定类。将类设置为0
,1.
, ...,9
,然后用新的分类层替换导入的分类层。
粘土。类=字符串(0:9)
cLayer=ClassificationOutputLayer及其属性:名称:'ClassificationLayer\u activation\u 1'类:[0 1 2 3 4 5 6 7 8 9]类权重:'none'输出大小:10个超参数丢失函数:'crossentropyex'
lgraph = replaceLayer (lgraph,“分类层\激活\ 1”,克莱尔);
使用assembleNetwork
.函数返回达格网络
准备用于预测的对象。
net=汇编网络(lgraph)
net=DAG网络,具有以下属性:层:[15x1 nnet.cnn.layer.layer]连接:[15x2表]输入名称:{'input_1'}输出名称:{'ClassificationLayer_activation_1'}
assembleNetwork
|达格网络
|findPlaceholderLayers
|importKerasLayers
|importKerasNetwork
|layerGraph
|替换层
|列车网络