导入预先训练的TensorFlow网络，以保存的模型格式作为LayerGraph对象。然后，将导入的图层组装成DAGNetwork对象，并使用组合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。

一会= {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；

以保存的模型格式导入TensorFlow网络的层和权值。默认情况下,importTensorFlowLayers将网络导入为LayerGraph对象与DAGNetwork对象。指定图像分类问题的输出层类型。

lgraph = importTensorFlowLayers (modelFolder,“OutputLayerType”，“分类”）

导入已保存的模型…翻译模型，这可能需要几分钟……完成翻译。

lgraph =具有属性的LayerGraph: Layers: [13×1 nnet.cnn.layer.Layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

显示导入网络的最后一层。输出显示importTensorFlowLayers附加一个ClassificationOutputLayer到最后的网络架构。

lgraph.Layers(结束)

类:'auto' ClassWeights: 'none' OutputSize: 'auto'超参数LossFunction: 'crossentropyex'

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”．将类设置为一会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=一会;lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);

组装层图使用assembleNetwork返回一个DAGNetwork对象。

净= assembleNetwork (lgraph)

net = DAGNetwork属性:Layers: [13×1 nnet.cnn.layer.Layer] Connections: [13×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

阅读要分类的图像。

digitDatasetPath = fullfile (toolboxdir (“nnet”)，“nndemos”，“nndatasets”，“DigitDataset”）;我= imread (fullfile (digitDatasetPath,“5”，“image4009.png”));

使用导入的网络对图像进行分类。

标签=分类(净,我);

显示图像和分类结果。

imshow (I)标题([的分类结果一会{标签}])

导入预先训练的TensorFlow网络，以保存的模型格式作为LayerGraph对象与dlnetwork对象。然后,把LayerGraph对象一个dlnetwork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。

一会= {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；

导入TensorFlow网络作为与dlnetwork对象。

lgraph = importTensorFlowLayers (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。

lgraph =具有属性的LayerGraph: Layers: [12×1 nnet.cnn.layer.Layer] Connections: [12×2 table] InputNames: {'input_1'} OutputNames: {1×0 cell}

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”）;我= imread (fullfile (digitDatasetPath,“5”，“image4009.png”));大小(我)

ans =1×228日28日

将导入的图层图转换为dlnetwork对象。

dlnet = dlnetwork (lgraph);

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))．

dlnet.Layers (1) .InputSize

ans =1×328日28日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，您可以忽略它(SSC的）.

I_dlarray = dlarray(单(我),“SSCB”）;

对样本图像进行分类，找出预测的标签。

概率=预测(dlnet I_dlarray);[~,标签]= max(概率);

显示图像和分类结果。

imshow (I)标题([的分类结果一会{标签}])

导入预先训练的TensorFlow网络，以保存的模型格式作为LayerGraph对象。然后，将导入的图层组装成DAGNetwork对象。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。

一会= {' 0 '，' 1 '，' 2 '，“3”，“4”，“5”，“6”，“7”，“8”，“9”}；

以保存的模型格式导入TensorFlow网络的层和权值。默认情况下,importTensorFlowLayers将网络导入为LayerGraph对象与DAGNetwork对象。指定图像分类问题的输出层类型。

lgraph = importTensorFlowLayers (modelFolder,“OutputLayerType”，“分类”）;

导入已保存的模型…翻译模型，这可能需要几分钟……完成翻译。

如果导入的网络包含不支持转换为内置MATLAB层的层，则importTensorFlowLayers可以自动生成自定义层来代替这些层。importTensorFlowLayers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。

印第安纳州= findCustomLayers (lgraph。层,' + digitsDAGnetwithnoise '）;lgraph.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

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”．将类设置为一会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=一会;lgraph = replaceLayer (lgraph,“ClassificationLayer_activation_1”、粘土);

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: [15×1 nnet.cnn.layer.Layer] Connections: [15×2 table] InputNames: {'input_1'} OutputNames: {'ClassificationLayer_activation_1'}

函数index = findCustomLayers(layers,PackageName) s = what([‘。’PackageName]);指数= 0(1、长度(小);为i = 1:长度(层)为j = 1:长度(小)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