importONNXLayers
Импортируйте слои из сети ONNX
Описание
layers = importONNXLayers(modelfile)modelfile. Можно обучить импортированные слои на новом наборе данных или собрать слои в сеть, готовую к предсказанию. Для примера рабочего процесса сборки сети смотрите, Собирают Сеть от Предварительно обученных Слоев Keras.
Эта функция требует Конвертера Deep Learning Toolbox™ для пакета поддержки Формата Модели ONNX. Если этот пакет поддержки не установлен, то функция обеспечивает ссылку на загрузку.
layers = importONNXLayers(modelfile,Name,Value)
Например, importONNXLayers(modelfile,'ImportWeights',false) импортирует сетевую архитектуру без весов из файла modelfile.
Примеры
Загрузите и установите конвертер Deep Learning Toolbox для формата модели ONNX
Загрузите и установите Конвертер Deep Learning Toolbox для пакета поддержки Формата Модели ONNX.
Введите importONNXLayers в командной строке.
importONNXLayers
Если Конвертер Deep Learning Toolbox для Формата Модели ONNX не установлен, то функция обеспечивает ссылку на необходимый пакет поддержки в Add-On Explorer. Чтобы установить пакет поддержки, щелкните по ссылке, и затем нажмите Install. Проверяйте, что установка успешна путем импорта сети из файла модели 'cifarResNet.onnx' в командной строке. Если пакет поддержки установлен, то функция возвращает DAGNetwork объект.
modelfile = 'cifarResNet.onnx'; layers = importONNXLayers(modelfile,'OutputLayerType','classification')
layers =
LayerGraph with properties:
Layers: [77×1 nnet.cnn.layer.Layer]
Connections: [85×2 table]Импортируйте сетевую архитектуру ONNX
Импортируйте архитектуру и веса остаточной нейронной сети, обученной на наборе данных CIFAR-10. Задайте файл, содержащий сеть ONNX и тип выходного слоя, чтобы добавить к импортированной сети.
modelfile = 'cifarResNet.onnx'; lgraph = importONNXLayers(modelfile, ... 'OutputLayerType','classification', ... 'ImportWeights',true)
lgraph =
LayerGraph with properties:
Layers: [77×1 nnet.cnn.layer.Layer]
Connections: [85×2 table]
Анализируйте импортированную сетевую архитектуру.
analyzeNetwork(lgraph);
Импортируйте сеть ONNX с несколькими Выходными параметрами
Импортируйте сеть ONNX, которая имеет несколько выходных параметров при помощи importONNXLayers. Функция вставляет слои заполнителя для выходных параметров. После импорта можно найти и заменить слои заполнителя при помощи findPlaceholderLayers и replaceLayer, соответственно.
Задайте сетевой файл, из которого можно импортировать слои и веса.
modelfile = 'digitsMIMO.onnx';Сеть в digitsMIMO.onnx имеет два выходных слоя: один слой классификации, чтобы классифицировать цифры и один слой регрессии, чтобы вычислить среднеквадратическую ошибку для предсказанных углов цифр. Импортируйте слои и веса от modelfile.
layers = importONNXLayers('digitsMIMO.onnx','ImportWeights',true)
Warning: ONNX network has multiple outputs. importONNXLayers inserts placeholder layers for the outputs. Find and replace the layers by using findPlaceholderLayers and replaceLayer, respectively.
layers =
LayerGraph with properties:
Layers: [19×1 nnet.cnn.layer.Layer]
Connections: [19×2 table]
InputNames: {'Input_input'}
OutputNames: {1×0 cell}
importONNXLayers выводит предупреждение и вставляет слои заполнителя для выходных слоев.
Постройте график слоев с помощью plot.
plot(layers)
График слоев имеет два выходных слоя: Output_fc_1_Flatten и Output_sm_1. Эти два слоя являются заполнителями для выходных параметров. Можно проверять слои заполнителя путем просмотра Layers свойство или при помощи findPlaceholderLayers функция.
layers.Layers
ans =
19x1 Layer array with layers:
1 'Input_input' Image Input 28x28x1 images
2 'conv_1' Convolution 16 5x5x1 convolutions with stride [1 1] and padding [2 2 2 2]
3 'BN_1' Batch Normalization Batch normalization with 16 channels
4 'relu_1' ReLU ReLU
5 'conv_2' Convolution 32 1x1x16 convolutions with stride [2 2] and padding [0 0 0 0]
6 'conv_3' Convolution 32 3x3x16 convolutions with stride [2 2] and padding [1 1 1 1]
7 'BN_2' Batch Normalization Batch normalization with 32 channels
8 'relu_2' ReLU ReLU
9 'conv_4' Convolution 32 3x3x32 convolutions with stride [1 1] and padding [1 1 1 1]
10 'BN_3' Batch Normalization Batch normalization with 32 channels
11 'relu_3' ReLU ReLU
12 'plus_1' Addition Element-wise addition of 2 inputs
13 'fc_1' Convolution 1 14x14x32 convolutions with stride [1 1] and padding [0 0 0 0]
14 'fc_2' Convolution 10 14x14x32 convolutions with stride [1 1] and padding [0 0 0 0]
15 'sm_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order
16 'sm_1' Softmax softmax
17 'Output_sm_1' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator
18 'fc_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order
19 'Output_fc_1_Flatten' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator
placeholderLayers = findPlaceholderLayers(layers)
placeholderLayers =
2x1 PlaceholderOutputLayer array with layers:
1 'Output_sm_1' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator
2 'Output_fc_1_Flatten' PLACEHOLDER LAYER Placeholder for 'Output' ONNX operator
Создайте выходные слои, чтобы заменить слои заполнителя. Во-первых, создайте слой классификации с именем Output_sm_1. Задайте классы выходного слоя как 0, 1, ..., 9. Если вы не задаете классы, то программное обеспечение автоматически устанавливает их на 1, 2N, где N количество классов.
output1 = classificationLayer('Name','Output_sm_1','Classes',string(0:9));
Создайте слой регрессии с именем Output_fc_1_Flatten.
output2 = regressionLayer('Name','Output_fc_1_Flatten');
Замените слои заполнителя на output1 и output2 использование replaceLayer.
layers = replaceLayer(layers,'Output_sm_1',output1); layers = replaceLayer(layers,'Output_fc_1_Flatten',output2);
Отобразите Layers свойство графика слоев подтвердить замену.
layers.Layers
ans =
19x1 Layer array with layers:
1 'Input_input' Image Input 28x28x1 images
2 'conv_1' Convolution 16 5x5x1 convolutions with stride [1 1] and padding [2 2 2 2]
3 'BN_1' Batch Normalization Batch normalization with 16 channels
4 'relu_1' ReLU ReLU
5 'conv_2' Convolution 32 1x1x16 convolutions with stride [2 2] and padding [0 0 0 0]
6 'conv_3' Convolution 32 3x3x16 convolutions with stride [2 2] and padding [1 1 1 1]
7 'BN_2' Batch Normalization Batch normalization with 32 channels
8 'relu_2' ReLU ReLU
9 'conv_4' Convolution 32 3x3x32 convolutions with stride [1 1] and padding [1 1 1 1]
10 'BN_3' Batch Normalization Batch normalization with 32 channels
11 'relu_3' ReLU ReLU
12 'plus_1' Addition Element-wise addition of 2 inputs
13 'fc_1' Convolution 1 14x14x32 convolutions with stride [1 1] and padding [0 0 0 0]
14 'fc_2' Convolution 10 14x14x32 convolutions with stride [1 1] and padding [0 0 0 0]
15 'sm_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order
16 'sm_1' Softmax softmax
17 'Output_sm_1' Classification Output crossentropyex with '0' and 9 other classes
18 'fc_1_Flatten' ONNX Flatten Flatten activations into 1-D assuming C-style (row-major) order
19 'Output_fc_1_Flatten' Regression Output mean-squared-error
Соберите график слоев с помощью assembleNetwork. Функция возвращает DAGNetwork объект, который готов использовать в предсказании.
assembledNet = assembleNetwork(layers)
assembledNet =
DAGNetwork with properties:
Layers: [19×1 nnet.cnn.layer.Layer]
Connections: [19×2 table]
InputNames: {'Input_input'}
OutputNames: {'Output_sm_1' 'Output_fc_1_Flatten'}
Входные параметры
Выходные аргументы
Советы
Если сеть ONNX содержит слой, который Конвертер Deep Learning Toolbox для Формата Модели ONNX не поддерживает, то
importONNXLayersвставляет слой заполнителя вместо неподдерживаемого слоя. Чтобы найти имена и индексы неподдерживаемых слоев в сети, используйтеfindPlaceholderLayersфункция. Затем можно заменить слой заполнителя на новый слой, который вы задаете. Чтобы заменить слой, используйтеreplaceLayer.importONNXLayersподдерживает следующие слои ONNX, с некоторыми ограничениями:Слой ONNX Слой Deep Learning Toolbox AddadditionLayerилиnnet.onnx.layer.ElementwiseAffineLayerAveragePoolaveragePooling2dLayerBatchNormalizationbatchNormalizationLayerClipnnet.onnx.layer.ClipLayerConcatconcatenationLayerConstantНи один (Импортированный как веса) Convconvolution2dLayerConvTransposetransposedConv2dLayerDivnnet.onnx.layer.ElementwiseAffineLayerDropoutdropoutLayerFlattennnet.onnx.layer.FlattenLayerилиnnet.onnx.layer.Flatten3dLayerElueluLayerGemmnnet.onnx.layer.FlattenLayerиfullyConnectedLayerесли сеть ONNX является текущей, в противном случаеfullyConnectedLayerGlobalAveragePoolglobalAveragePooling2dLayerGlobalMaxPoolglobalMaxPooling2dLayerGRUgruLayerIdentitynnet.onnx.layer.IdentityLayerImageScalernnet.onnx.layer.ElementwiseAffineLayerLeakyReluleakyReluLayerLRNCrossChannelNormalizationLayerLSTMlstmLayerилиbilstmLayerMatMulfullyConnectedLayerMaxPoolmaxPooling2dLayerMulnnet.onnx.layer.ElementwiseAffineLayerPRelunnet.onnx.layer.PReluLayerRelureluLayerилиclippedReluLayerReshapennet.onnx.layer.FlattenLayerSigmoidnnet.onnx.layer.SigmoidLayerSoftmaxSubnnet.onnx.layer.ElementwiseAffineLayerSumadditionLayerTanhtanhLayerРабочий процесс для сборки слоев, импортированных из ONNX в сеть, готовую к предсказанию, совпадает с собирающимися слоями, импортированными из Keras. Для примера этого рабочего процесса смотрите, Собирают Сеть от Предварительно обученных Слоев Keras.
Можно импортировать сеть ONNX с несколькими входными параметрами и несколькими выходными параметрами. Если сеть имеет несколько входных параметров и один выход, используйте
importONNXNetwork. Если сеть имеет несколько выходных параметров, используйтеimportONNXLayers.importONNXLayersфункция вставляет слои заполнителя для выходных параметров. После импорта можно найти и заменить слои заполнителя при помощиfindPlaceholderLayersиreplaceLayer, соответственно. Для примера смотрите Импорт Сеть ONNX с Несколькими Выходными параметрами. Чтобы узнать о нейронной сети для глубокого обучения с несколькими входными параметрами и несколькими выходными параметрами, смотрите Несколько - Вход и Несколько - Выходные Сети.Чтобы использовать предварительно обученную сеть в предсказании или передаче обучения на новых изображениях, необходимо предварительно обработать изображения таким же образом изображения, которые использовались, чтобы обучаться, импортированная модель были предварительно обработаны. Наиболее распространенные шаги предварительной обработки изменяют размер изображений, вычитая средние значения изображений, и преобразовывая изображения от изображений BGR до RGB.
Для получения дополнительной информации о предварительной обработке изображений для обучения и предсказания, смотрите, Предварительно обрабатывают Изображения для Глубокого обучения.
Смотрите также
assembleNetwork | exportONNXNetwork | findPlaceholderLayers | importCaffeLayers | importCaffeNetwork | importKerasLayers | importKerasNetwork | importONNXNetwork | replaceLayer
Темы
- Глубокое обучение в MATLAB
- Предварительно обученные глубокие нейронные сети
- Список слоев глубокого обучения
- Задайте пользовательские слои глубокого обучения
- Задайте пользовательский слой глубокого обучения с настраиваемыми параметрами
- Проверяйте пользовательскую валидность слоя
- Соберите сеть от предварительно обученных слоев Keras