深度学习工具箱为TensorFlow模型转换器サポートパッケージをダウンロードしてインストールします。

コマンドラ@ @ンでimportKerasLayersと入力します。

importKerasLayers

深度学习工具箱为TensorFlow模型转换器サポートパッケージがインストールされていない場合,必要なサポートパッケージへのリンクが関数によってアドオンエクスプローラーに表示されます。サポトパッケジをンストルするには，リンクをクリックして，[huawei @ huawei @ huawei @ huawei @ huawei @ huawei]をクリックします。コマンドラ@ @ンでモデルファ@ @ル“digitsDAGnet.h5”から層を@ @ンポ，@ @トして，@ @ンスト，@ @ルが正常に終了していることを確認します。必要なサポトパッケジがンストルされている場合，関数によってLayerGraphオブジェクトが返されます。

modelfile =“digitsDAGnet.h5”；net = importKerasLayers(modelfile)

net = LayerGraph with properties: Layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

モデルファ@ @ルdigitsDAGnet.h5からネットワク層をンポトします。

modelfile =“digitsDAGnet.h5”；layers = importKerasLayers(modelfile)

layers = LayerGraph with properties: layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

ネットワ，クア，キテクチャをプロットします。

情节(层)

。

modelfile =“digitsDAGnet.h5”；

ネットワク層をンポトします。

layers = importKerasLayers(modelfile)

layers = LayerGraph with properties: layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

新しい数字を認識するよう分類器に学習させるためのデ，タセットを読み込みます。

文件夹= fullfile(toolboxdir(“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”）;imds = imageDatastore(文件夹，.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;

デ，タセットを学習用とテスト用のセットに分割します。

numTrainFiles = 750;[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainFiles，“随机”）;

学習オプションを設定します。

选项= trainingOptions(“个”，.．.“MaxEpochs”10.．.“InitialLearnRate”, 0.001);

学習デ，タを使用してネットワ，クに学習させます。

net = trainNetwork(imdsTrain,layers,options);

单CPU训练。|========================================================================================| | 时代| |迭代时间| Mini-batch | Mini-batch |基地学习  | | | | ( hh: mm: ss) | | |丧失准确性  | |========================================================================================| | 1 | 1 | 00:00:01 | 15.62% | 12.6982 | 0.0010 | | 1 | 50 | 00:00:12 | 63.28% | 1.2109 | 0.0010 | | 2 | 100 | 00:00:23 | 85.16% | 0.4193 | 0.0010 | | 3 | 150 | 00:00:34 | | 0.1749 | 0.0010 96.88%||4 | 200 | 00:00:44 | 99.22% | 0.0457 | 0.0010 | | 5 | 250 | 00:00:55 | 100.00% | 0.0374 | 0.0010 | | 6 | 300 | 00:01:06 | 96.88% | 0.1223 | 0.0010 | | 7 | 350 | 00:01:17 | 100.00% | 0.0087 | 0.0010 | | 7 | 400 | 00:01:27 | 100.00% | 0.0166 | 0.0010 | | 8 | 450 | 00:01:37 | 100.00% | 0.0098 | 0.0010 | | 9 | 500 | 00:01:47 | 100.00% | 0.0047 | 0.0010 | | 10 | 550 | 00:02:01 | 100.00% | 0.0031 | 0.0010 | | 10 | 580 | 00:02:09 | 100.00% | 0.0059 | 0.0010 | |========================================================================================|

ネットワークの学習に使用されなかったテストセットにおいて学習済みネットワークを実行し,イメージのラベル(数字)を予測します。

YPred = category (net,imdsTest);YTest = imdsTest.Labels;

精度を計算します。

精度= sum(YPred == YTest)/numel(YTest)

准确度= 0.9856

層と重みのンポト元となるネットワクファルを指定します。

modelfile =“digitsDAGnet.h5”；

指定したファ▪▪ルからネットワ▪▪クア▪キテクチャと重みを▪▪ンポ▪▪トします。層の重みをンポトするには，“ImportWeights”を真正的に指定します。この関数は，同じhdf5ファルから層とその重みをンポトします。

layers = importKerasLayers(模型文件，“ImportWeights”,真正的)

layers = LayerGraph with properties: layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

2番目の層の重みのサie浏览器ズを表示します。

weights = layers.Layers(2).Weights;大小(重量)

ans =1×47 7 1 20

関数によって重みが。

層の▪▪ンポ▪▪ト元となるネットワ▪クファ▪▪ル，および重みが含まれているファ▪▪ルを指定します。

modelfile =“digitsDAGnet.json”；重量=“digitsDAGnet.weights.h5”；

指定したファ▪▪ルからネットワ▪▪クア▪キテクチャと重みを▪▪ンポ▪▪トします。この.jsonファaapl .ルには出力層が含まれていません。importKerasLayersがネットワーク アーキテクチャの最後に出力層を追加できるように、出力層を指定します。

layers = importKerasLayers(模型文件，.．.“ImportWeights”,真的,.．.“WeightFile”权重,.．.“OutputLayerType”，“分类”）

layers = LayerGraph with properties: layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

この例では,事前学習済みのKerasネットワークから層をインポートし,サポートされていない層をカスタム層に置き換え,予測の準備が整ったネットワークをこれらの層から組み立てる方法を説明します。

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。

图表(lgraph)标题(“进口网络”）

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

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

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

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

图表(lgraph)标题(“替换层的网络”）

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

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'

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);

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'}

パラメトリック正規化線形ユニット(PReLU)層をもつKerasネットワークから層をインポートします。

PReLU層はしきい値処理を実行します。各チャネルにいて，入力値がゼロよりも小さい場合は，スカラによって乗算されます。PReLU演算は次の式で表されます。

ここで， ${\mathit{x}}_{\mathit{我}}$はチャネル $$我$$の非線形活性化 $\mathit{f}$の入力， $${\mathrm{一个}}_{我}$$は負の部分の勾配を制御するスケ，リングパラメ，タ，です。 $${\mathrm{一个}}_{我}$$の添字 $$我$$は,パラメーターにベクトルを指定することができ,チャネルによって非線形活性化が異なる場合があることを示しています。

importKerasNetworkとimportKerasLayersは，PReLU層を含むネットワクをンポトできます。これらの関数は，スカラ値とベクトル値の両方のスケリングパラメタをサポトしています。スケーリングパラメーターがベクトルの場合,この関数によって,このベクトルがベクトル要素の平均値に置き換えられます。インポートした後に,ベクトル値のスケーリングパラメーターをもつようにPReLU層を変更できます。

。

modelfile =“digitsDAGnetwithPReLU.h5”；

digitsDAGnetwithPReLUには2のPReLU層が含まれています。一方はスカラー値のスケーリングパラメーターをもち,他方はベクトル値のスケーリングパラメーターをもちます。

modelfileからネットワクアキテクチャと重みをンポトします。

layers = importKerasLayers(模型文件，“ImportWeights”,真正的);

警告:“p_re_lu_1”层是一个PReLU层，参数为向量值。该函数将参数替换为向量元素的平均值。您可以在导入后将参数更改为向量。

関数importKerasLayersによって，PReLU層p_re_lu_1に関する警告が表示されます。この関数によって，p_re_lu_1のベクトル値のスケ，リングパラメ，タ，がベクトル要素の平均値に置き換えられます。このパラメ，タ，は，ベクトルに戻すことができます。まず，层プロパティを表示して，PReLU層のaaplンデックスを見aaplけます。

层。层

ans = 13x1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_2”卷积20 3 x3x1旋转步[1]和填充“相同”4“p_re_lu_1”PReLU PReLU层5‘p_re_lu_2 PReLU PReLU层6“max_pooling2d_1”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”7“max_pooling2d_2”马克斯池2 x2马克斯池步(2 - 2)和填充“相同”8 ' flatten_1 Keras平压平激活成一维假设C-style (row-major) order 9 ' flat_2 ' Keras Flatten将激活Flatten成1-D假设C-style (row-major) order 10 'concatenate_1'深度连接2个输入的深度连接11 'dense_1'全连接10全连接层12 'dense_1_softmax' Softmax Softmax 13 'ClassificationLayer_dense_1'分类输出crossentropyex

层には2のPReLU層が含まれています。4番目の層p_re_lu_1を抽出します。この層には，当初，チャネルの次元に関するベクトル値のスケ，リングパラメ，タ，が含まれていました。

tempLayer = layers.Layers

tempLayer = PreluLayer with properties: Name: 'p_re_lu_1' RawAlpha: [20x1 single] Learnable Parameters Alpha: 0.0044显示所有属性

RawAlphaプロパティにはベクトル値のスケ，リングパラメ，タ，が格納され，αプロパティにはベクトル値の要素の平均値であるスカラ，が格納されています。RawAlphaの形状を変更し，ベクトル値を3番目の次元に配置します。この次元はチャネルの次元に対応します。その後，αを，形状変更後のRawAlphaの値に置き換えます。

tempLayer。α＝reshape(tempLayer.RawAlpha,[1,1,numel(tempLayer.RawAlpha)])

tempLayer = PreluLayer with properties: Name: 'p_re_lu_1' RawAlpha: [20x1 single] Learnable Parameters Alpha: [1x1x20 single]显示所有属性

层のp_re_lu_1層をtempLayerに置き換えます。

图层=替换图层(图层，“p_re_lu_1”, tempLayer);layers.Layers (4)

ans = PreluLayer with properties: Name: 'p_re_lu_1' RawAlpha: [20x1 single] Learnable Parameters Alpha: [1x1x20 single]显示所有属性

これで，p_re_lu_1層にベクトル値のスケ，リングパラメ，タ，が設定されました。