从佩带的Keras层组装网络

此示例使用：

打开直播脚本

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

进口Keras网络

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”）

图包含轴。带有标题导入网络的轴包含Type GraphPlot的对象。

更换占位符层

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”）

图包含轴。带有替换层的标题网络的轴包含了Type Graphplot的对象。

指定类名称

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）;

组装网络

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'}

也可以看看

深度学习工具箱文档

金宝app

与Matlab引入深度学习

下载电子书