主要内容

assembleNetwork

从预先训练的层集合深度学习网络

在页面中全部折叠

语法

assembledNet = assembleNetwork(层)

描述

assembleNetwork无需训练就可以从各个层次创建深度学习网络。

使用assembleNetwork以下任务:

  • 转换一个层阵列或层图为网络准备预测。

  • 从导入的层中组装网络。

  • 修改一个训练过的网络的权重。

要从零开始训练网络，请使用trainNetwork．

例子

assembledNet= assembleNetwork (层）组装图层数组或图层图形层进入一个深度学习网络，准备用于预测。

例子

全部折叠

这个示例使用:

打开生活的脚本

从预训练的Keras网络中导入层，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。

进口Keras网络

从Keras网络模型导入层。网络在“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。

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并显示他们的Keras配置。

placeholderLayers = findPlaceholderLayers (lgraph);placeholderLayers。KerasConfiguration
ans =结构体字段:可培训:1个名称:'gaussian_noise_1' stddev: 1.5000
ans =结构体字段:可培训:1个名称:' gaussian_nois_2 ' stddev: 0.7000

通过保存文件定义一个自定义高斯噪声层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);

指定类名

导入的分类层不包含类，因此必须在组装网络之前指定这些类。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。

分类层有名称“ClassificationLayer_activation_1”．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= lgraph.Layers(结束);粘土。类=字符串(0:9);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。

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

输入参数

全部折叠

网络层，指定为层数组或一个LayerGraph对象。

要创建所有层按顺序连接的网络，可以使用层数组作为输入参数。在本例中，返回的网络是SeriesNetwork对象。

有向无环图(DAG)网络具有复杂的结构，其中各层可以有多个输入和输出。要创建DAG网络，请将网络架构指定为LayerGraph对象，然后使用该图层图作为输入参数assembleNetwork．

的assembleNetwork函数支持最多一个序列输入层的网络。

有关内置层的列表，请参见深度学习层列表．

输出参数

全部折叠

装配好网络准备进行预测，返回为SeriesNetwork对象或一个DAGNetwork对象。返回的网络取决于层输入参数:

  • 如果层是一个层数组,然后assembledNet是一个SeriesNetwork对象。

  • 如果层是一个LayerGraph对象,然后assembledNet是一个DAGNetwork对象。

版本历史

介绍了R2018b

另请参阅

|||||

主题

Baidu
map