主要内容

findPlaceholderLayers

查找从Keras或导入的网络架构中的占位符层ONNX

描述

例子

placeholderLayers= findPlaceholderLayers (importedLayers返回网络体系结构中存在的所有占位符层importedLayersimportKerasLayersimportONNXLayers函数,或由函数层图函数。占位符层是这些函数插入的层,以代替深度学习工具箱™不支持的层。金宝app

要与导入的网络一起使用,此功能需要用于TensorFlow™模型的深度学习工具箱转换器金宝app支持包或ONNX的深度学习工具箱转换器™ 模型格式金宝app支持包。

placeholderLayers指数) = findPlaceholderLayers (importedLayers也返回占位符层的索引。

例子

全部崩溃

指定导入层的Keras网络文件。

modelfile =“digitsDAGnetwithnoise.h5”

导入网络架构。该网络包括一些深度学习工具箱不支持的层类型。金宝app的importKerasLayers函数将每个不支持的层替换为占位符层并返回警告消息。金宝app

lgraph = importKerasLayers (modelfile)
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。
lgraph = LayerGraph with properties: Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

显示导入的网络层。两个占位符层替换Keras网络中的高斯噪声层。

ans=15x1带层的层阵列:1'输入1'图像输入28x28x1图像2'conv2d_1'卷积20 7x7带跨距的卷积[1]和填充'same'3'conv2d_1_relu'relu 4'conv2d_2'卷积20 3x3带跨距的卷积[1]和填充“相同”5“conv2d_2_relu”relu relu 6“gaussian_noise_1”占位符图层占位符用于“gaussian noise”Keras图层7“gaussian_noise_2”占位符图层占位符用于“gaussian noise”Keras图层8“max_Pooling 2D_1”max Pooling 2x2 max Pooling with stride[2]和填充“相同的”9“最大池2D_2”最大池2x2最大池带跨距[2 2]和填充“相同的”10“展平_1”Keras展平激活为1-D假设C样式(行主)顺序11“展平_2”Keras展平激活为1-D假设C样式(行主)顺序12“串联1”深度串联2个输入的深度串联13“密集1”完全连接10完全连接层14“激活1”Softmax Softmax 15“分类层激活1”分类输出交叉熵

使用。查找占位符层findPlaceholderLayers. 输出参数包含两个占位符层,这两个占位符层importKerasLayers插入到Keras网络的高斯噪声层。

占位符= findPlaceholderLayers (lgraph)
PLACEHOLDER = 2x1 PLACEHOLDER LAYER: 1' gaussian_noise_1' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER 2' gaussian_noise_2' PLACEHOLDER LAYER PLACEHOLDER for 'GaussianNoise' Keras LAYER

为每个占位符图层指定名称。

gaussian1=占位符(1);gaussian2=占位符(2);

显示每个占位符层的配置。

gaussian1。KerasConfiguration
ans=带字段的结构:可训练:1 name: 'gaussian_noise_1' stddev: 1.5000
gaussian2。KerasConfiguration
ans=带字段的结构:可培训:1名:“高斯噪声”标准差:0.7000

这个例子展示了如何从预先训练的Keras网络导入层,用自定义层替换不支持的层,并将层组装到一个网络中准备进行预测。金宝app

进口Keras网络

从Keras网络模型导入层。网络在“digitsDAGnetwithnoise.h5”分类图像的数字。

文件名=“digitsDAGnetwithnoise.h5”;lgraph = importKerasLayers(文件名,“重要性”,真正的);
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函数显示一个警告并将不支持的层替换为占位符层。金宝app

使用情节

图形绘图(lgraph)标题(“进口网络”

图中包含一个轴对象。标题为“导入网络”的axis对象包含一个graphplot类型的对象。

替换占位符层

要替换占位符图层,请首先标识要替换的图层的名称。使用查找占位符图层findPlaceholderLayers

placeholderLayers = findPlaceholderLayers (lgraph)
PLACEHOLDER layers=2x1 PLACEHOLDER LAYER数组,带图层:1“GaussianNoise”Keras图层的“GaussianNoise”Keras图层的“GaussianNoise”Keras图层的“GaussianNoise”Keras图层的“GaussianNoise”图层占位符

显示这些层的Keras配置。

placeholderLayers。KerasConfiguration
ans=带字段的结构:可训练:1 name: 'gaussian_noise_1' stddev: 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,配置与导入的Keras层相同。

gnLayer1 = gaussianNoiseLayer (1.5,“new_gaussian_noise_1”);gnLayer2 = gaussianNoiseLayer (0.7,“new_gaussian_noise_2”);

使用自定义图层替换占位符图层replaceLayer

lgraph = replaceLayer (lgraph,“gaussian_noise_1”, gnLayer1);lgraph = replaceLayer (lgraph,“gaussian_noise_2”, gnLayer2);

使用打印更新的图层图情节

图形绘图(lgraph)标题(“替换图层的网络”

图中包含一个轴对象。标题为“替换层网络”的axis对象包含一个graphplot类型的对象。

指定类名

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12、……N哪里N为类数。

的索引,查找分类层的索引层图的属性。

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

分类层有名称“分类层\激活\ 1”.查看分类层并检查财产。

cLayer=lgraph.Layers(结束)
cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters LossFunction: 'crossentropyex'

因为属性为“汽车”,则必须手动指定类。将类设置为01、……9,然后用新的分类图层替换导入的分类图层。

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”、粘土);

组装网络

使用assembleNetwork.函数返回DAGNetwork准备用于预测的对象。

净= assembleNetwork (lgraph)
net = DAGNetwork with properties: Layers: [15x1 net.cnn.layer. layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

输入参数

全部崩溃

从Keras或ONNX导入或由函数层图,指定为数组或LayerGraph对象。

输出参数

全部崩溃

网络体系结构中的所有占位符层,作为PlaceholderLayer对象。

占位符层的索引,作为向量返回。

  • 如果importedLayers是一个图层数组吗指数占位符层的索引在吗importedLayers

  • 如果importedLayers是一个LayerGraph对象,然后指数占位符层的索引在吗importedLayers。层

如果你将一个图层从数组或LayerGraph对象,则对象中其他层的索引可以更改。必须使用findPlaceholderLayers再次查找其余占位符层的更新索引。

提示

  • 如果您已安装张量流模型的深度学习工具箱转换器findPlaceholderLayers无法找到导入ONNX网络时创建的占位符层,请尝试更新张量流模型的深度学习工具箱转换器金宝app加载项资源管理器中的支持包。

介绍了R2017b