此示例显示如何从佩带的Keras网络导入图层,将不受支持的图层替换为自定义图层,并将图层组装到准备预测的网络中。金宝app
从KERAS网络模型导入图层。网络in.'digitsdagnetwithnoise.h5'
分类数字图像。
filename =.'digitsdagnetwithnoise.h5';lgraph = importKerasLayers(文件名,'进口重量',真的);
警告:无法导入某些keras图层,因为深度学习工具箱不支持它们。金宝app他们已被占位符层所取代。要查找这些图层,请在返回的对象上调用FindPlaceHolderLayers。
Keras网络包含深度学习工具箱不支持的一些图层。金宝app这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
使用图层图阴谋
。
图绘制(3)标题(“进口网络”)
要替换占位符,请先识别要替换的图层的名称。查找占位符层使用FindPlaceHolderLayers.
。
PlaceHolderLayers = FindPlaceHolderLayers(Lapraph)
PlaceHolderLayers = 2x1占位符阵列与图层:1'Gaussiannoise_1'占位符层占位符为'Gaussiannoise'keras第2层'Gaussian_Noise_2'占位符号为“高斯登单”keras层
显示这些图层的Keras配置。
placeholderlayers.kerasconfiguration.
ans =.结构与字段:培训:1名称:'Gaussian_Noise_1'STDDEV:1.5000
ans =.结构与字段:培训:1名称:'Gaussian_Noise_2'STDDev:0.7000
定义自定义高斯噪声层。要创建此图层,请保存文件Gaussiannoiselayer.m.
在当前文件夹中。然后,创建具有与导入的Keras层相同的配置的高斯噪声层。
gnlayer1 =高斯登机会(1.5,'new_gaussian_noise_1');Gnlayer2 =高斯登机会(0.7,'new_gaussian_noise_2');
使用自定义图层替换占位符层替换剂
。
Lgraph =替换剂(LGROPE,'gaussian_noise_1',gnlayer1);Lgraph =替换剂(LGROPE,'gaussian_noise_2',gnlayer2);
使用更新的图层图阴谋
。
图绘制(3)标题(“具有替换层的网络”)
如果导入的分类层不包含类,则必须在预测之前指定这些。如果未指定类,则软件会自动将类设置为1
那2
,......,N
, 在哪里N
是课程的数量。
通过查看来找分类层的索引层数
图层图的属性。
lapraph.Layers.
ANS = 15x1层阵列具有图层:1'INPUT_1'图像输入28x28x1图像2'CONV2D_1'卷积20 7x7x1卷曲与步幅[1 1]和填充'相同'3'CONV2D_1_RELU'CRECRUR 4'CONC2D_2'CRONURINGLUT20 3X3X1卷积步幅[1 1]和填充'相同'5'5'CONV2D_2_REL'CREU RELU 6'NAWSISIAN _NOISE_1'高斯噪声高斯高斯噪声具有标准偏差1.5 7'NEW_GAUSSIAN_NOISE_2'高斯噪声高斯噪声具有标准偏差0.7 8'MAX_POOLING2D_1'MAX池2D_2 MAX池步部[2]和填充'相同'9'max_pooling2d_2'最大池2x2 max池与步幅[2 2]和填充'将'10'扁平_1'keras平坦扁平激活打入1-d假设c风格(行 - 主要)order 11 'flatten_2' Keras Flatten Flatten activations into 1-D assuming C-style (row-major) order 12 'concatenate_1' Depth concatenation Depth concatenation of 2 inputs 13 'dense_1' Fully Connected 10 fully connected layer 14 'activation_1' Softmax softmax 15 'ClassificationLayer_activation_1' Classification Output crossentropyex
分类层具有名称'classificationlayer_activation_1'
。查看分类图层并检查班级
财产。
Clayer = Lapraph.Layers(END)
clayer = scassificationOutputlayer具有属性:名称:'classificationLayer_activation_1'类:'auto'类重量:'无'输出大小:'auto'hyperparameters lockfunction:'crossentropyex'
因为这班级
图层的属性是'汽车'
,您必须手动指定类。将课程设置为0.
那1
,......,9.
,然后用新的将导入的分类层替换为。
clayer.classes = string(0:9)
Clayer =具有属性的分类OutputLayer:名称:'ClassificationLayer_Activation_1'类:[0 1 2 3 4 5 6 7 8 9]类重量:'无'输出大小:10 HyperParepers underfunction:'crossentropyex'
Lgraph =替换剂(LGROPE,'classificationlayer_activation_1',粘土);
使用层图汇编
。该函数返回一个Dagnetwork.
准备用于预测的对象。
net = assemblenetwork(lgraph)
net =具有属性的dagnetwork:图层:[15x1 nnet.cnn.layer.layer]连接:[15x2表]输入名称:{'input_1'} OutputNames:{'classificationLayer_activation_1'}
汇编
|Dagnetwork.
|FindPlaceHolderLayers.
|importKeraslayers.
|importKerasnetwork.
|分层图
|替换剂
|Trainnetwork.