importONNXNetwork

Импортируйте предварительно обученную сеть ONNX

Синтаксис

net = importONNXNetwork(modelfile,'OutputLayerType',outputtype)

net = importONNXNetwork(modelfile,'OutputLayerType',outputtype,'Classes',classes)

Описание

net = importONNXNetwork(modelfile,'OutputLayerType',outputtype) импортирует предварительно обученную сеть из ONNX™ (Открытый Exchange Нейронной сети) файл modelfile и задает выходной тип слоя импортированной сети.

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.

пример

net = importONNXNetwork(modelfile,'OutputLayerType',outputtype,'Classes',classes) дополнительно задает классы для сети классификации.

Примеры

свернуть все

Загрузите и установите конвертер Deep Learning Toolbox для формата модели ONNX

Этот пример использует:

Загрузите и установите Конвертер Deep Learning Toolbox для пакета поддержки Формата Модели ONNX.

Ввод importONNXNetwork в командной строке.

importONNXNetwork

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';
classes = ["airplane" "automobile" "bird" "cat" "dee" "dog" "frog" "horse" "ship" "truck"];
net = importONNXNetwork(modelfile,'OutputLayerType','classification','Classes',classes)

net = 

  DAGNetwork with properties:

         Layers: [77×1 nnet.cnn.layer.Layer]
    Connections: [85×2 table]

Импортируйте сеть ONNX

Этот пример использует:

Скрипт Open Live Script

Импортируйте остаточную нейронную сеть, обученную на наборе данных CIFAR-10. Задайте файл, содержащий сеть ONNX, ее выходной тип и ее выходные классы.

modelfile = 'cifarResNet.onnx';
classes = ["airplane" "automobile" "bird" "cat" "deer" "dog" "frog" "horse" "ship" "truck"];
net = importONNXNetwork(modelfile,'OutputLayerType','classification','Classes',classes)

net = 
  DAGNetwork with properties:

         Layers: [77×1 nnet.cnn.layer.Layer]
    Connections: [85×2 table]
     InputNames: {'Input_input'}
    OutputNames: {'ClassificationLayer_softmax'}

Анализируйте импортированную сеть.

analyzeNetwork(net)

Входные параметры

свернуть все

`modelfile` — Имя файла модели ONNX
вектор символов | строковый скаляр

Имя файла модели ONNX, содержащего сеть в виде вектора символов или строкового скаляра. Файл должен быть в текущей папке в папке на пути MATLAB^®, или необходимо включать полный или относительный путь в файл.

Пример: 'cifarResNet.onnx'

`outputtype` — Тип выходного слоя
`'classification'` | `'regression'` | `'pixelclassification'`

Тип выходного слоя, который функция добавляет в конец импортированной сети в виде 'classification', 'regression', или 'pixelclassification'. Используя 'pixelclassification' добавляет pixelClassificationLayer Объект (Computer Vision Toolbox) (требует Computer Vision Toolbox™).

Если сеть в modelfile имеет несколько выходных параметров, затем вы не можете задать выходные типы слоя с помощью этого аргумента. Использование importONNXLayers вместо этого. importONNXLayers вставляет слои заполнителя для выходных параметров. После импорта можно найти и заменить слои заполнителя при помощи findPlaceholderLayers и replaceLayer, соответственно.

Пример: 'regression'

`classes` — Классы выходного слоя
`'auto'` (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

Классы выходного слоя в виде категориального вектора, массива строк, массива ячеек из символьных векторов или 'auto'. Если Classes 'auto', затем программное обеспечение устанавливает классы на categorical(1:N), где N количество классов. Если вы задаете массив строк или массив ячеек из символьных векторов str, затем программное обеспечение устанавливает классы выходного слоя к categorical(str,str).

Типы данных: char | categorical | string | cell

Выходные аргументы

свернуть все

`net` — Предварительно обученная сеть
`DAGNetwork` объект

Предварительно обученная сеть, возвращенная как DAGNetwork объект.

Ограничения

importONNXNetwork поддержки версии ONNX можно следующим образом:
- importONNXNetwork поддержки промежуточная версия 6 представления ONNX.
- importONNXNetwork полностью поддержки оператор ONNX устанавливают 6, 7, 8, и 9.
- importONNXNetwork предложения ограниченная поддержка оператора ONNX устанавливают 10 и 11.

Примечание

Если вы импортируете экспортируемую сеть, слои повторно импортированной сетевой силы отличаются от исходной сети и не могут поддерживаться.

Советы

Если сеть ONNX содержит слой, который не поддерживает Конвертер Deep Learning Toolbox для Формата Модели ONNX, то функция возвращает сообщение об ошибке. В этом случае можно все еще использовать importONNXLayers импортировать сетевую архитектуру и веса.

importONNXNetwork поддерживает следующие слои ONNX, с некоторыми ограничениями:

Слой ONNX	Слой Deep Learning Toolbox
`Add`	`additionLayer` или `nnet.onnx.layer.ElementwiseAffineLayer`
`AveragePool`	`averagePooling2dLayer`
`BatchNormalization`	`batchNormalizationLayer`
`Clip`	`nnet.onnx.layer.ClipLayer`
`Concat`	`concatenationLayer`
`Constant`	Ни один (Импортированный как веса)
`Conv`	`convolution2dLayer`
`ConvTranspose`	`transposedConv2dLayer`
`Div`	`nnet.onnx.layer.ElementwiseAffineLayer`
`Dropout`	`dropoutLayer`
`Flatten`	`nnet.onnx.layer.FlattenLayer` или `nnet.onnx.layer.Flatten3dLayer`
`Elu`	`eluLayer`
`Gemm`	`fullyConnectedLayer` если сеть ONNX является текущей, в противном случае `nnet.onnx.layer.FlattenLayer` сопровождаемый `convolution2dLayer`
`GlobalAveragePool`	`globalAveragePooling2dLayer`
`GlobalMaxPool`	`globalMaxPooling2dLayer`
`GRU`	`gruLayer`
`Identity`	`nnet.onnx.layer.IdentityLayer`
`ImageScaler`	`nnet.onnx.layer.ElementwiseAffineLayer`
`InstanceNormalization`	`groupNormalizationLayer` с `numGroups` заданный как `"channel-wise"`
`LeakyRelu`	`leakyReluLayer`
`LRN`	`CrossChannelNormalizationLayer`
`LSTM`	`lstmLayer` или `bilstmLayer`
`MatMul`	`fullyConnectedLayer` если сеть ONNX является текущей, в противном случае `convolution2dLayer`
`MaxPool`	`maxPooling2dLayer`
`Mul`	`multiplicationLayer`
`PRelu`	`nnet.onnx.layer.PReluLayer`
`Relu`	`reluLayer` или `clippedReluLayer`
`Reshape`	`nnet.onnx.layer.FlattenLayer`
`Sigmoid`	`sigmoidLayer`
`Softmax`	`softmaxLayer`
`Sub`	`nnet.onnx.layer.ElementwiseAffineLayer`
`Sum`	`additionLayer`
`Tanh`	`tanhLayer`

Слой ONNX	Слой Computer Vision Toolbox
`SpaceToDepth`	`spaceToDepthLayer` (Computer Vision Toolbox)

Слой ONNX	Image Processing Toolbox™
`Resize`	`resize2dLayer` (Image Processing Toolbox) или `resize3dLayer` (Image Processing Toolbox)
`Upsample`	`resize2dLayer` (Image Processing Toolbox) или `resize3dLayer` (Image Processing Toolbox)

Можно импортировать сеть ONNX с несколькими входными параметрами и одним выходным использованием importONNXNetwork. Если сеть имеет несколько выходных параметров, использовать importONNXLayers. importONNXLayers функция вставляет слои заполнителя для выходных параметров. После импорта можно найти и заменить слои заполнителя при помощи findPlaceholderLayers и replaceLayer, 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 для предсказания или передачи 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.
- Чтобы изменить размер изображений, использовать imresize. Например, imresize(image,[227,227,3]).
- Чтобы преобразовать изображения от RGB до формата BGR, использовать flip. Например, flip(image,3).
Для получения дополнительной информации о предварительной обработке изображений для обучения и предсказания, смотрите, Предварительно обрабатывают Изображения для Глубокого обучения.

Вопросы совместимости

развернуть все

`'ClassNames'` опция будет удалена

Не рекомендуемый запуск в R2018b

'ClassNames' будет удален. Используйте 'Classes' вместо этого. Чтобы обновить ваш код, замените все экземпляры 'ClassNames' с 'Classes'. Существуют некоторые различия между соответствующими свойствами в классификации выходные слои, которые требуют дополнительных обновлений вашего кода.

ClassNames свойство выходного слоя классификации является массивом ячеек из символьных векторов. Classes свойство является категориальным массивом. Использовать значение Classes с функциями, которые требуют входа массива ячеек, преобразуйте классы с помощью cellstr функция.

Ссылки

[1] Открытый Exchange Нейронной сети. https://github.com/onnx/.

[2] ONNX. https://onnx.ai/.

Темы

Введенный в R2018a

Документация

importONNXNetwork

Синтаксис

Описание

Примеры

Загрузите и установите конвертер Deep Learning Toolbox для формата модели ONNX

Импортируйте сеть ONNX

Входные параметры

`modelfile` — Имя файла модели ONNX
вектор символов | строковый скаляр

`outputtype` — Тип выходного слоя
`'classification'` | `'regression'` | `'pixelclassification'`

`classes` — Классы выходного слоя
`'auto'` (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

Выходные аргументы

`net` — Предварительно обученная сеть
`DAGNetwork` объект

Ограничения

Советы

Вопросы совместимости

`'ClassNames'` опция будет удалена

Ссылки

Смотрите также

Темы

Документация Deep Learning Toolbox

Поддержка

Документация

importONNXNetwork

Синтаксис

Описание

Примеры

Загрузите и установите конвертер Deep Learning Toolbox для формата модели ONNX

Импортируйте сеть ONNX

Входные параметры

modelfile — Имя файла модели ONNX вектор символов | строковый скаляр

outputtype — Тип выходного слоя 'classification' | 'regression' | 'pixelclassification'

classes — Классы выходного слоя 'auto' (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

Выходные аргументы

net — Предварительно обученная сеть DAGNetwork объект

Ограничения

Советы

Вопросы совместимости

'ClassNames' опция будет удалена

Ссылки

Смотрите также

Темы

Документация Deep Learning Toolbox

Поддержка

`modelfile` — Имя файла модели ONNX
вектор символов | строковый скаляр

`outputtype` — Тип выходного слоя
`'classification'` | `'regression'` | `'pixelclassification'`

`classes` — Классы выходного слоя
`'auto'` (значение по умолчанию) | категориальный вектор | массив строк | массив ячеек из символьных векторов

`net` — Предварительно обученная сеть
`DAGNetwork` объект

`'ClassNames'` опция будет удалена