importTensorFlowNetwork
进口pretrainedTensorFlow网络
描述
网= importTensorFlowNetwork (modelFolder）modelFolder，其中包含保存的模型格式的模型(仅兼容TensorFlow 2)。该函数可以导入通过TensorFlow- keras顺序或函数API创建的TensorFlow网络。importTensorFlowNetwork控件中定义的层saved_model.pb文件中所包含的学习权重变量子文件夹，并返回网络网作为一个DAGNetwork或dlnetwork对象。
importTensorFlowNetwork要求用于张量流模型的深度学习工具箱™转换器支持包。如果没有安装此支持包，则importTensorFlowNetwork提供下载链接。
请注意
importTensorFlowNetwork当您导入自定义TensorFlow层或当软件不能将TensorFlow层转换为等效的内置MATLAB时，尝试生成一个自定义层®层。有关软件支持转换的层的列表，请参见TensorFlow-Keras层支持转换为内置的MATLAB层．
importTensorFlowNetwork在包中保存生成的自定义层和相关的TensorFlow操作符+．modelFolder
importTensorFlowNetwork不会为不支持转换为内置MATLAB层的每个TensorFlow层自动生成自定义层。有关如何处理不支持的层的更多信息，请参见提示．
网= importTensorFlowNetwork (modelFolder，名称,值）“OutputLayerType”、“分类”将网络导入为DAGNetwork将分类输出层附加到导入的网络体系结构的末尾。
例子
导入TensorFlow Network asDAGNetwork图像分类
导入预先训练的TensorFlow网络，以保存的模型格式作为DAGNetwork对象，并使用导入的网络对图像进行分类。
指定模型文件夹。
如果~ (“digitsDAGnet”，“dir”)解压缩(“digitsDAGnet.zip”）结束modelFolder =”。/ digitsDAGnet '；
指定类名。
classNames = {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；
以保存的模型格式导入TensorFlow网络。默认情况下,importTensorFlowNetwork将网络导入为DAGNetwork对象。指定图像分类问题的输出层类型。
net = importTensorFlowNetwork(modelFolder，“OutputLayerType”，“分类”，“类”类名)
导入已保存的模型…翻译模型，这可能需要几分钟……完成翻译。装配网络……导入完成。
net = DAGNetwork属性:Layers: [13×1 nnet.cnn.layer.Layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}
绘制网络架构图。
情节(净)标题(“DAG网络架构”）
读取要分类的图像并显示图像的大小。该图像是一个大小为28 × 28像素的灰度(单通道)图像。
digitDatasetPath = fullfile(toolboxdir)“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”）;I = imread(fullfile(digitDatasetPath)，“5”，“image4009.png”));大小(我)
ans =1×228日28日
显示网络的输入大小。在这种情况下，图像大小与网络输入大小匹配。如果它们不匹配，您必须使用imresize(我netInputSize (1:2))．
net.Layers (1) .InputSize
ans =1×328 28 1
利用预训练的网络对图像进行分类。
label = classification (net,I);
显示图像和分类结果。
imshow (I)标题([“分类结果”char(标签)))
导入TensorFlow Network asdlnetwork图像分类
导入一个预先训练的TensorFlow Network，以保存的模型格式作为dlnetwork对象，并使用导入的网络预测类标签。
指定模型文件夹。
如果~ (“digitsDAGnet”，“dir”)解压缩(“digitsDAGnet.zip”）结束modelFolder =”。/ digitsDAGnet '；
指定类名。
classNames = {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；
以保存的模型格式导入TensorFlow网络作为dlnetwork对象。
net = importTensorFlowNetwork(modelFolder，“TargetNetwork”，“dlnetwork”）
导入已保存的模型…翻译模型，这可能需要几分钟……完成翻译。装配网络……导入完成。
net = dlnetwork with properties: Layers: [12×1 nnet.cnn.layer.Layer] Connections: [12×2 table] Learnables: [6×3 table] State: [0×3 table] InputNames: {'input_1'} OutputNames: {'activation_1'} Initialized: 1
读取要分类的图像并显示图像的大小。该图像是一个大小为28 × 28像素的灰度(单通道)图像。
digitDatasetPath = fullfile(toolboxdir)“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”）;I = imread(fullfile(digitDatasetPath)，“5”，“image4009.png”));大小(我)
ans =1×228日28日
显示网络的输入大小。在这种情况下，图像大小与网络输入大小匹配。如果它们不匹配，您必须使用imresize(我netInputSize (1:2))．
netInputSize = net.Layers(1).InputSize
netInputSize =1×328 28 1
将图像转换为adlarray．用尺寸格式化图像“SSCB”(空间，空间，渠道，批处理)。在本例中，批处理大小为1，您可以省略它(SSC的）.
I_dlarray = dlarray(single(I)，“SSCB”）;
对样本图像进行分类，找出预测的标签。
prob = predict(net,I_dlarray);[~，label] = max(prob);
显示图像和分类结果。
imshow (I)标题([“分类结果”一会{标签}])
导入TensorFlow网络与自动生成的自定义层
导入预先训练的TensorFlow网络，以保存的模型格式作为DAGNetwork对象，并使用导入的网络对图像进行分类。导入的网络包含不支持转换为内置MATLAB层的层。当您导入这些层时，软件会自动生成自定义层。
这个例子使用了helper函数findCustomLayers．要查看此函数的代码，请参见Helper函数．
指定模型文件夹。
如果~ (“digitsDAGnetwithnoise”，“dir”)解压缩(“digitsDAGnetwithnoise.zip”）结束modelFolder =”。/ digitsDAGnetwithnoise '；
指定类名。
classNames = {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；
以保存的模型格式导入TensorFlow网络。默认情况下,importTensorFlowNetwork将网络导入为DAGNetwork对象。指定图像分类问题的输出层类型。
net = importTensorFlowNetwork(modelFolder，“OutputLayerType”，“分类”，“类”类名);
导入已保存的模型…翻译模型，这可能需要几分钟……完成翻译。装配网络……导入完成。
如果导入的网络包含不支持转换为内置MATLAB层的层，则importTensorFlowNetwork可以自动生成自定义层来代替这些层。importTensorFlowNetwork将每个生成的自定义层保存到单独的．m包中的文件+ digitsDAGnetwithnoise在当前文件夹中。
使用helper函数查找自动生成的自定义层的索引findCustomLayers，并显示自定义层。
ind = findCustomLayers(网。层,' + digitsDAGnetwithnoise '）;net.Layers(印第安纳州)
ans = 2×1 Layer array with layers: 1' gaussian_noise_1' GaussianNoise digitsDAGnetwithnoise。kGaussianNoise1Layer3766 2' gaussian_noise_2' GaussianNoise digitsDAGnetwithnoise.kGaussianNoise2Layer3791 . kGaussianNoise1Layer3766 2' gaussian_noise_2' GaussianNoise digitsdagnetwithnoise . kgaussiannoise2layer3766
绘制网络架构图。
情节(净)标题(“DAG网络架构”）
阅读要分类的图像。
digitDatasetPath = fullfile(toolboxdir)“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”）;I = imread(fullfile(digitDatasetPath)，“5”，“image4009.png”));
利用预训练的网络对图像进行分类。
label = classification (net,I);
显示图像和分类结果。
imshow (I)标题([“分类结果”char(标签)))
Helper函数
介绍helper函数的代码findCustomLayers本例中使用。findCustomLayers返回指数自定义层的importTensorFlowNetwork自动生成。
函数index = findCustomLayers(layers,PackageName) s = what([‘。’PackageName]);索引= 0(1，长度(s.m));为I = 1:长度(层数)为J = 1:长度(s.m)如果strcmpi(类(层(i)), [PackageName(2:结束)“。”S.m {j}(1:end-2)]) indices(j) = i;结束结束结束结束
输入参数
输出参数
限制
importTensorFlowNetwork支持TensorFlow v2.0到2.6版本。
更多关于
提示
如果导入的网络包含一个不支持转换为内置MATLAB层的层(参见TensorFlow-Keras层支持转换为内置的MATLAB层),
importTensorFlowNetwork不生成自定义层，那么importTensorFlowNetwork返回一个错误。在这种情况下，您仍然可以使用importTensorFlowLayers导入网络架构。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．
包的成员
+(自定义层和TensorFlow操作符)是不可访问的，如果包的父文件夹不在MATLAB路径上。有关更多信息，请参见包和MATLAB路径．PackageNameMATLAB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importTensorFlowNetwork或importTensorFlowLayers以保存的模型格式导入TensorFlow网络[２]．或者，如果网络是HDF5或JSON格式的，使用importKerasNetwork或importKerasLayers导入网络。
参考文献
[1]TensorFlow．https://www.tensorflow.org/．
[２]使用SavedModel格式．https://www.tensorflow.org/guide/saved_model．
版本历史
在R2021a中引入
您也可以从以下列表中选择网站: