importKerasLayers
从Keras网络导入层
描述
例子
下载并安装用于张量流模型的深度学习工具箱转换器
下载并安装用于TensorFlow模型的深度学习工具箱转换器支持包。
类型importKerasLayers在命令行。
importKerasLayers
如果没有安装用于TensorFlow Models的深度学习工具箱转换器支持包，则该功能将在Add-On Explorer中提供到所需支持包的链接。如果需要安装支持包，请单击链接，然后单击安装．通过从模型文件导入层来检查安装是否成功“digitsDAGnet.h5”在命令行。如果安装了所需的支持包，则函数返回一个LayerGraph对象。
modelfile =“digitsDAGnet.h5”；net = importKerasLayers(modelfile)
[13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
从Keras网络和情节架构中导入图层
从模型文件导入网络层digitsDAGnet.h5．
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'}
绘制网络架构图。
情节(层)
导入Keras网络层和列车网络
指定要导入的网络文件。
modelfile =“digitsDAGnet.h5”；
导入网络层。
layers = importKerasLayers(modelfile)
layers = LayerGraph with properties: layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
加载数据集，以训练分类器识别新数字。
文件夹= fullfile(toolboxdir)“nnet”),“nndemos”，“nndatasets”，“DigitDataset”）;imds = imageDatastore(文件夹，.．.“IncludeSubfolders”,真的,.．.“LabelSource”，“foldernames”）;
将数据集划分为训练集和测试集。
numTrainFiles = 750;[imdsTrain,imdsTest] = splitEachLabel(imds,numTrainFiles，“随机”）;
设置培训选项。
options = trainingOptions(“个”，.．.“MaxEpochs”10.．.“InitialLearnRate”, 0.001);
使用训练数据训练网络。
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 |就是15.62% | | 31.6977 | 0.0010 | | 1 | 50 | 00:00:05 | 63.28% | 1.2109 | 0.0010 | | 100 | | 00:00:10 | 85.16% | 0.4123 | 0.0010 | | 3 | 150 | 00:00:16 | | 0.1757 | 0.0010 95.31%||4 | 200 | 00:00:20 | 99.22% | 0.0450 | 0.0010 | | 5 | 250 | 00:00:25 | 100.00% | 0.0367 | 0.0010 | | 6 | 300 | 00:00:30 | 96.88% | 0.1210 | 0.0010 | | 7 | 350 | 00:00:35 | 100.00% | 0.0086 | 0.0010 | | 7 | 400 | 00:00:40 | 100.00% | 0.0166 | 0.0010 | | 8 | 450 | 00:00:45 | 100.00% | 0.0097 | 0.0010 | | 9 | 500 | 00:00:53 | 100.00% | 0.0047 | 0.0010 | | 10 | 550 | 00:01:00 | 100.00% | 0.0031 | 0.0010 | | 10 | 580 | 00:01:05 | 100.00% | 0.0060 | 0.0010 | |========================================================================================| Training finished: Max epochs completed.
在未用于训练网络并预测图像标签(数字)的测试集中运行训练过的网络。
YPred = category (net,imdsTest);YTest = imdste . labels;
计算精度。
精度= sum(YPred == YTest)/numel(YTest)
准确度= 0.9852
从同一文件导入Keras网络架构和权重
指定要从中导入层和权重的网络文件。
modelfile =“digitsDAGnet.h5”；
从指定的文件导入网络架构和权重。要导入层权重，请指定“ImportWeights”是真正的．该函数还从相同的HDF5文件中导入具有权重的层。
图层= importKerasLayers(modelfile，“ImportWeights”,真正的)
layers = LayerGraph with properties: layers: [13x1 nnet.cnn.layer.Layer] Connections: [13x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
查看第二层权重的大小。
layers (2). weight;大小(重量)
ans =1×47 7 1 20
该函数导入了权重，因此层权重是非空的。
从单独的文件导入Keras网络架构和权重
指定要从其中导入层的网络文件和包含权重的文件。
modelfile =“digitsDAGnet.json”；重量=“digitsDAGnet.weights.h5”；
从指定的文件导入网络架构和权重。json文件不包括输出层。指定输出层，以便importKerasLayers在网络体系结构的末尾添加一个输出层。
图层= importKerasLayers(modelfile，.．.“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'}
从预先训练的Keras层组装网络
这个例子展示了如何从预先训练的Keras网络导入层，用自定义层替换不受支持的层，并将层组装成一个可以进行预测的网络。
导入Keras网络
从Keras网络模型导入层。的网络“digitsDAGnetwithnoise.h5”对数字图像进行分类。
文件名=“digitsDAGnetwithnoise.h5”；lgraph = importKerasLayers(文件名，“ImportWeights”,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。它们已经被占位符层所取代。要查找这些层，在返回的对象上调用findPlaceholderLayers函数。
Keras网络包含一些深度学习工具箱不支持的层。的importKerasLayers函数显示一个警告并将不支持的层替换为占位符层。
绘制层图使用情节．
图(lgraph)标题(“进口网络”）
替换占位符层
要替换占位符层，首先确定要替换的层的名称。找到占位符层使用findPlaceholderLayers．
placeholderLayers = findPlaceholderLayers(lgraph)
1' gaussian_noise_1' PLACEHOLDER LAYER 'gaussian_noise_2' PLACEHOLDER LAYER 'GaussianNoise' Keras层占位符
显示这些层的Keras配置。
placeholderLayers。KerasConfiguration
ans =带有字段的结构:可培训:1个名称:'gaussian_noise_1' stddev: 1.5000
ans =带有字段的结构:可培训:1个名称:' gaussian_nois_2 ' stddev: 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”）;
使用自定义层替换占位符层replaceLayer．
lgraph = replaceLayer(lgraph，“gaussian_noise_1”, gnLayer1);lgraph = replaceLayer(lgraph，“gaussian_noise_2”, gnLayer2);
绘制更新的图层图情节．
图(lgraph)标题(“替换层的网络”）
指定类名
如果导入的分类层不包含类，则必须在预测之前指定这些类。如果不指定类，则软件自动将类设置为1，2、……N,在那里N是类的数量。
，查找分类层的索引层层图的属性。
lgraph。层
带有图层的图层数组:1“input_1”28 x28x1图像输入图像2 conv2d_1的二维卷积20 7 x7x1旋转步[1]和填充“相同”3“conv2d_1_relu”ReLU ReLU 4“conv2d_2”二维卷积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”二维最大池2 x2马克斯池与步伐[2 2] and padding 'same' 9 'max_pooling2d_2' 2-D Max Pooling 2x2 max pooling with stride [2 2] and padding 'same' 10 'flatten_1' Keras Flatten Flatten activations into 1-D assuming C-style (row-major) 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
分类层有名称“ClassificationLayer_activation_1”．查看分类层类财产。
cLayer = lgraph.Layers(结束)
cLayer = ClassificationOutputLayer属性:Name: 'ClassificationLayer_activation_1' Classes: 'auto' ClassWeights: 'none' OutputSize: 'auto' Hyperparameters: 'crossentropyex'
因为类层的属性为“汽车”，您必须手动指定类。将类设置为0，1、……9，然后将导入的分类层替换为新的分类层。
粘土。Classes = string(0:9)
cLayer = ClassificationOutputLayer with properties: Name: 'ClassificationLayer_activation_1' Classes: [0 1 2 3 4 5 6 7 8 9] ClassWeights: 'none' OutputSize: 10 Hyperparameters LossFunction: 'crossentropyex'
lgraph = replaceLayer(lgraph，“ClassificationLayer_activation_1”、粘土);
组装网络
组装层图使用assembleNetwork．函数返回一个DAGNetwork对象，该对象已准备好用于预测。
网络(lgraph)
net = DAGNetwork属性:Layers: [15x1 nnet.cnn.layer.Layer] Connections: [15x2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
导入Keras PReLU图层
从具有参数校正线性单元(PReLU)层的Keras网络导入层。
PReLU层执行阈值操作，其中对于每个通道，任何小于零的输入值都乘以一个标量。PReLU操作由
在哪里 是非线性激活的输入吗 频道 , 是控制负部分斜率的缩放参数。下标 在 指示该参数可以是一个矢量，并且非线性激活可以在不同的通道上变化。
importKerasNetwork而且importKerasLayers可以导入包含PReLU层的网络。这些函数同时支持标量值和向量值的缩放参数。如果缩放参数是一个向量，那么函数用向量元素的平均值替换该向量。您可以在导入后修改PReLU层，使其具有向量值的缩放参数。
指定要导入的网络文件。
modelfile =“digitsDAGnetwithPReLU.h5”；
digitsDAGnetwithPReLU包括两个PReLU层。其中一个具有标量值的缩放参数，另一个具有向量值的缩放参数。
导入网络架构和权重modelfile．
图层= importKerasLayers(modelfile，“ImportWeights”,真正的);
警告:“p_re_lu_1”层是一个PReLU层，其参数为向量值。该函数将形参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。
的importKerasLayers函数显示PReLu层的警告p_re_lu_1．的向量值缩放参数p_re_lu_1用向量元素的平均值。您可以将参数更改为向量。首先，查看PReLU层的索引层财产。
层。层
带有图层的图层数组:1“input_1”28 x28x1图像输入图像2 conv2d_1的二维卷积20 7 x7x1旋转步[1]和填充“相同”3“conv2d_2”二维卷积20 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”二维最大池2 x2马克斯池与步幅[2 2]和填充“相同”7“max_pooling2d_2”二维最大池2 x2马克斯池步(2 - 2)和填充“相同”8 flatten_1 Keras压平压平按C-style (row-major) order 9 ' flat_2 ' Keras Flatten按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
层有两个PReLU层。提取第四层p_re_lu_1，它最初为通道尺寸具有向量值缩放参数。
tempLayer = layers.Layers(4)
tempLayer = PreluLayer属性:Name: 'p_re_lu_1' RawAlpha: [20x1 single]可学习参数Alpha: 0.0044 State参数没有属性。显示所有属性
的RawAlpha属性包含向量值的缩放参数，而α属性包含标量，该标量是向量值的元素平均值。重塑RawAlpha将矢量值放在与通道维度对应的第三维度中。然后,取代α随着重塑RawAlpha值。
tempLayer。α＝reshape(tempLayer.RawAlpha,[1,1,numel(tempLayer.RawAlpha)])
tempLayer = PreluLayer属性:Name: 'p_re_lu_1' RawAlpha: [20x1 single]学习性参数Alpha: [1x1x20 single] State参数没有属性。显示所有属性
取代p_re_lu_1层层与tempLayer．
图层= replaceLayer(图层，“p_re_lu_1”, tempLayer);layers.Layers (4)
ans = PreluLayer属性:Name: 'p_re_lu_1' RawAlpha: [20x1 single]学习性参数Alpha: [1x1x20 single] State参数没有属性。显示所有属性
现在,p_re_lu_1层有一个向量值的缩放参数。
输入参数
输出参数
限制
importKerasLayers支持TensorFlow-Keras版本如下:该函数完全支持2.2.4版本的TensorFlow-Keras。
该函数对TensorFlow-Keras 2.2.5到2.4.0版本提供有限的支持。
更多关于
提示
如果网络中包含一层张量流模型的深度学习工具箱转换器不支持(参见支持的Keras层),然后
importKerasLayers在不受支持的层的位置插入占位符层。要查找网络中不支持的层的名称和索引，请使用findPlaceholderLayers函数。然后，您可以用您定义的新层替换占位符层。要替换一个图层，使用replaceLayer．您可以用您定义的新层替换占位符层。
如果是串联网络，则直接替换阵列中的层。例如,
图层(2)=新图层;．如果网络是DAG网络，则使用
replaceLayer．示例请参见从预先训练的Keras层组装网络．
您可以导入具有多输入多输出(MIMO)的Keras网络。使用
importKerasNetwork如果网络包含输入的输入大小信息和输出的损耗信息。否则,使用importKerasLayers．的importKerasLayers函数为输入和输出插入占位符层。导入之后，您可以使用以下命令查找并替换占位符层findPlaceholderLayers而且replaceLayer,分别。导入MIMO Keras网络的工作流程与导入MIMO ONNX™网络的工作流程相同。示例请参见导入和组装多输出ONNX网络．要了解具有多输入多输出的深度学习网络，请参见多输入多输出网络．要使用预训练的网络对新图像进行预测或转移学习，必须以与用于训练导入模型的图像预处理相同的方式对图像进行预处理。最常见的预处理步骤是调整图像的大小，减去图像平均值，并将图像从BGR格式转换为RGB格式。
有关用于训练和预测的预处理图像的更多信息，请参见用于深度学习的图像预处理．
MATLAB使用的是基于单一的索引，而Python®使用从零开始的索引。换句话说，数组中的第一个元素在MATLAB和Python中索引分别为1和0。有关MATLAB索引的更多信息，请参见数组索引．在MATLAB中，要使用索引数组(
印第安纳州)，将数组转换为印第安纳州+ 1．更多提示，请参见关于从TensorFlow、PyTorch和ONNX导入模型的提示．
选择功能
使用
importKerasNetwork或importKerasLayers导入HDF5或JSON格式的TensorFlow-Keras网络。如果TensorFlow网络是保存的模型格式，则使用importTensorFlowNetwork或importTensorFlowLayers．如果您导入一个自定义TensorFlow-Keras层，或者如果软件不能将TensorFlow-Keras层转换为等效的内置MATLAB层，您可以使用
importTensorFlowNetwork或importTensorFlowLayers，它们试图生成一个自定义层。例如,importTensorFlowNetwork而且importTensorFlowLayers当你导入一个TensorFlow-Keras时生成一个自定义层λ层。
参考文献
[1]Keras: Python深度学习库．https://keras.io．
版本历史
在R2017b中引入
您也可以从以下列表中选择网站: