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
modelfile
- - - - - -Keras模型文件的名称
特征向量|字符串标量
包含网络体系结构(可能还有权重)的模型文件的名称,指定为字符向量或字符串标量。该文件必须在当前文件夹中,在MATLAB的文件夹中®路径,或者必须包含文件的完整路径或相对路径。
如果modelfile
包括
网络架构和权重,那么它必须在HDF5 (
.h5
)的格式。只有网络架构,那么它可以在HDF5或JSON (
. json
)的格式。
如果modelfile
方法仅包含网络体系结构,则可以有选择地提供权重“ImportWeights”
而且“WeightFile”
名称-值对参数。如果提供了权重,那么权重文件必须是HDF5格式的。
例子:“digitsnet.h5”
数据类型:字符
|字符串
名称-值参数
指定可选参数对为Name1 = Value1,…,以=家
,在那里的名字
参数名称和价值
对应的值。名-值参数必须出现在其他参数之后,但对的顺序并不重要。
在R2021a之前,名称和值之间用逗号隔开,并括起来的名字
在报价。
例子:importKerasLayers (modelfile“OutputLayerType”、“分类”)
从模型文件导入网络层modelfile
并在Keras层的末尾添加了一个用于分类问题的输出层。
OutputLayerType
- - - - - -输出层类型
“分类”
|“回归”
|“pixelclassification”
时,函数附加到导入网络体系结构末尾的输出层的类型modelfile
没有指定损失函数,指定为“分类”
,“回归”
,或“pixelclassification”
.附加一个pixelClassificationLayer
(计算机视觉工具箱)对象需要计算机视觉工具箱™。
如果一个网络modelfile
有多个输出,则不能使用此参数指定输出层类型。importKerasLayers
为输出插入占位符层。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。
例子:“OutputLayerType”、“回归”
ImageInputSize
- - - - - -输入图像的大小
两个或三个数值的向量
为网络输入图像的大小,指定为矢量的两个或三个对应的数值(高度、宽度)
对于灰度图像和(高度、宽度、渠道)
分别用于彩色图像。时,网络使用此信息modelfile
不指定输入大小。
如果一个网络modelfile
有多个输入,则不能使用此参数指定输入大小。importKerasLayers
为输入插入占位符层。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。
例子:“ImageInputSize”,[28 28]
ImportWeights
- - - - - -用于导入权重的指示器
假
(默认)|真正的
指示器导入权重以及网络架构,指定为两者之一假
或真正的
.
如果
“ImportWeights”
是真正的
而且modelfile
那么,包括重量importKerasLayers
导入权重modelfile
,必须有HDF5 (.h5
)的格式。如果
“ImportWeights”
是真正的
而且modelfile
不包含权重,则必须使用“WeightFile”
名称-值对参数。
例子:“ImportWeights”,真的
数据类型:逻辑
WeightFile
- - - - - -权重文件名
特征向量|字符串标量
权重文件名,何时从该文件名导入权重modelfile
不包括指定为字符向量或字符串标量的权重。要使用此名称-值对参数,还必须设置“ImportWeights”
来真正的
.
权重文件必须在当前文件夹中,在MATLAB路径的文件夹中,或者必须包含文件的完整路径或相对路径。
例子:“WeightFile”、“weights.h5”
数据类型:字符
|字符串
输出参数
层
—网络架构
层
数组对象|LayerGraph
对象
网络架构,返回为层
当Keras网络为类型时,数组对象顺序
,或作为一个LayerGraph
对象,当Keras网络为类型时模型
.
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
支持的Keras层
importKerasLayers
支持以下TensorFlow-Keras层类型转换为内置的MATLAB层,但有一些限制。
TensorFlow-Keras层 | 对应的深度学习工具箱层 |
---|---|
添加 |
additionLayer |
|
层: |
先进的激活:
|
层:
|
AveragePooling1D |
averagePooling1dLayer 与PaddingValue 指定为“的意思是” |
AveragePooling2D |
averagePooling2dLayer 与PaddingValue 指定为“的意思是” |
BatchNormalization |
batchNormalizationLayer |
双向(LSTM (__)) |
bilstmLayer |
连接 |
depthConcatenationLayer |
Conv1D |
convolution1dLayer |
Conv2D |
convolution2dLayer |
Conv2DTranspose |
transposedConv2dLayer |
CuDNNGRU |
gruLayer |
CuDNNLSTM |
lstmLayer |
密集的 |
fullyConnectedLayer |
DepthwiseConv2D |
groupedConvolution2dLayer |
辍学 |
dropoutLayer |
嵌入 |
wordEmbeddingLayer (文本分析工具箱) |
平 |
nnet.keras.layer.FlattenCStyleLayer |
GlobalAveragePooling1D |
globalAveragePooling1dLayer |
GlobalAveragePooling2D |
globalAveragePooling2dLayer |
GlobalMaxPool1D |
globalMaxPooling1dLayer |
GlobalMaxPool2D |
globalMaxPooling2dLayer |
格勒乌 |
gruLayer |
输入 |
imageInputLayer ,sequenceInputLayer ,或featureInputLayer |
LSTM |
lstmLayer |
MaxPool1D |
maxPooling1dLayer |
MaxPool2D |
maxPooling2dLayer |
乘 |
multiplicationLayer |
SeparableConv2D |
groupedConvolution2dLayer 或convolution2dLayer |
TimeDistributed |
sequenceFoldingLayer 在包裹层之前,和sequenceUnfoldingLayer 包裹层后 |
UpSampling2D |
resize2dLayer (图像处理工具箱) |
UpSampling3D |
resize3dLayer (图像处理工具箱) |
ZeroPadding1D |
nnet.keras.layer.ZeroPadding1DLayer |
ZeroPadding2D |
nnet.keras.layer.ZeroPadding2DLayer |
*对于PReLU层,importKerasLayers
用向量元素的平均值替换向量值的缩放参数。您可以在导入后将参数更改为向量。示例请参见导入Keras PReLU图层.
支持Keras损失函数
importKerasLayers
支持以下Keras损耗函数:
mean_squared_error
categorical_crossentropy
sparse_categorical_crossentropy
binary_crossentropy
为导入的网络架构生成代码
你可以用MATLAB编码器™或GPU Coder™与深度学习工具箱一起生成MEX,独立CPU, CUDA®MEX,或用于导入网络的独立CUDA代码。有关更多信息,请参见深度学习代码生成.
使用MATLAB编码器使用深度学习工具箱生成MEX或独立CPU代码,在桌面或嵌入式目标上运行。您可以部署生成的独立代码,使用Intel®MKL-DNN库或ARM®计算库。另外,您也可以生成不调用第三方库函数的通用C或c++代码。有关更多信息,请参见基于MATLAB编码器的深度学习(MATLAB编码器).
使用GPU编码器与深度学习工具箱生成CUDA MEX或独立CUDA代码,运行在桌面或嵌入式目标。您可以部署生成的独立CUDA代码,使用CUDA深度神经网络库(cuDNN)、TensorRT™高性能推理库或用于Mali GPU的ARM Compute库。有关更多信息,请参见GPU Coder深度学习(GPU编码器).
importKerasLayers
返回网络体系结构层
作为一个层
或LayerGraph
对象。对于代码生成,您必须首先转换导入的层
或LayerGraph
对象指向网络。把一个层
或LayerGraph
反对DAGNetwork
或SeriesNetwork
对象,使用assembleNetwork
.把一个层
或LayerGraph
反对dlnetwork
对象,使用dlnetwork
.如欲了解更多有关MATLAB编码器以及GPU Coder对深度学习工具箱对象的支持,参见支持类(MATLAB编码器)而且支持类(GPU编码器),分别。
您可以为任何导入的网络生成代码,其层支持代码生成。以获取支持代码生成的层的列表MATLAB编码器和GPU Coder,见支持层(MATLAB编码器)而且支持层(GPU编码器),分别。有关每个内置MATLAB层的代码生成功能和限制的更多信息,请参阅该层的扩展功能部分。例如,参见代码生成而且GPU代码生成的imageInputLayer
.
使用GPU导入的网络层
importKerasLayers
不会在GPU上执行。然而,importKerasLayers
导入预先训练的神经网络层作为深度学习层
数组或LayerGraph
对象,你可以在GPU上使用。
将导入的图层转换为a
DAGNetwork
对象,使用assembleNetwork
.在DAGNetwork
对象,您就可以使用分类
.使用name-value参数指定硬件需求ExecutionEnvironment
.对于具有多个输出的网络,请使用预测
函数并指定名称-值参数ReturnCategorical
作为真正的
.将导入的图层转换为a
dlnetwork
对象,使用dlnetwork
.在dlnetwork
对象,您就可以使用预测
.这个函数预测
当输入数据或网络参数存储在图形处理器上时,将在图形处理器上执行。如果你使用
minibatchqueue
要处理和管理小批量输入数据,可以使用minibatchqueue
对象默认情况下,如果GPU可用,则将输出转换为GPU数组。使用
dlupdate
的可学习参数转换dlnetwork
对象到GPU数组。dlupdate(@gpuArray,net)
你可以在CPU或GPU上训练导入的层
trainNetwork
.要指定培训选项,包括用于执行环境的选项,请使用trainingOptions
函数。使用name-value参数指定硬件需求ExecutionEnvironment
.有关如何加速训练的更多信息,请参见在并行、gpu和云上扩展深度学习.
使用GPU需要并行计算工具箱™和支持的GPU设备。有关支持的设备的信息,请参见GPU计算要求(并行计算工具箱).
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
Abrir比如
Tiene una versión modificada de este ejemplo。¿Desea abrir este ejemplo con sus modificaciones?
Comando de MATLAB
Ha hecho clic en unenlace que对应一个este comando de MATLAB:
Ejecute el comando introduciéndolo en la ventana de comandos de MATLAB。Los navegadores web no admit comandos de MATLAB。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。