Импортируйте предварительно обученную сеть TensorFlow в сохраненном формате модели как DAGNetwork объект и использование импортированная сеть, чтобы классифицировать изображение.

Задайте папку модели.

if ~exist('digitsDAGnet','dir')
    unzip('digitsDAGnet.zip')
end
modelFolder = './digitsDAGnet';

Задайте имена классов.

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

Импортируйте сеть TensorFlow в сохраненном формате модели. По умолчанию, importTensorFlowNetwork импортирует сеть как DAGNetwork объект. Задайте выходной тип слоя для проблемы классификации изображений.

net = importTensorFlowNetwork(modelFolder,'OutputLayerType','classification','Classes',classNames)

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation. Assembling network...
Import finished.

net = 
  DAGNetwork with properties:

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

Постройте сетевую архитектуру.

plot(net)
title('DAG Network Architecture')

Считайте изображение, вы хотите классифицировать и отобразить размер изображения. Изображение является полутоновым изображением (с одним каналом) с размером 28 28 пиксели.

digitDatasetPath = fullfile(toolboxdir('nnet'),'nndemos','nndatasets','DigitDataset');
I = imread(fullfile(digitDatasetPath,'5','image4009.png'));
size(I)

ans = 1×2

    28    28

Отобразите входной размер сети. В этом случае размер изображения совпадает с сетевым входным размером. Если они не соответствуют, необходимо изменить размер изображения при помощи imresize(I, netInputSize(1:2)).

net.Layers(1).InputSize

ans = 1×3

    28    28     1

Классифицируйте изображение с помощью предварительно обученной сети.

label = classify(net,I);

Отобразите изображение и результат классификации.

imshow(I)
title(['Classification result ' char(label)])

Импортируйте предварительно обученную Сеть TensorFlow в сохраненном формате модели как dlnetwork объект и использование импортированная сеть, чтобы предсказать метки класса.

Задайте папку модели.

if ~exist('digitsDAGnet','dir')
    unzip('digitsDAGnet.zip')
end
modelFolder = './digitsDAGnet';

Задайте имена классов.

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

Импортируйте сеть TensorFlow в сохраненном формате модели как dlnetwork объект.

net = importTensorFlowNetwork(modelFolder,'TargetNetwork','dlnetwork')

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation. Assembling network...
Import finished.

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

Считайте изображение, вы хотите классифицировать и отобразить размер изображения. Изображение является полутоновым изображением (с одним каналом) с размером 28 28 пиксели.

digitDatasetPath = fullfile(toolboxdir('nnet'),'nndemos','nndatasets','DigitDataset');
I = imread(fullfile(digitDatasetPath,'5','image4009.png'));
size(I)

ans = 1×2

    28    28

Отобразите входной размер сети. В этом случае размер изображения совпадает с сетевым входным размером. Если они не соответствуют, необходимо изменить размер изображения при помощи imresize(I, netInputSize(1:2)).

netInputSize = net.Layers(1).InputSize

netInputSize = 1×3

    28    28     1

Преобразуйте изображение в dlarray. Отформатируйте изображения с размерностями 'SSCB' (пространственный, пространственный, канал, пакет). В этом случае пакетный размер равняется 1, и можно не использовать его ('SSC').

I_dlarray = dlarray(single(I),'SSCB');

Классифицируйте демонстрационное изображение и найдите предсказанную метку.

prob = predict(net,I_dlarray);
[~,label] = max(prob);

Отобразите изображение и результат классификации.

imshow(I)
title(['Classification result ' classNames{label}]) 

Импортируйте предварительно обученную сеть TensorFlow в сохраненном формате модели как DAGNetwork объект и использование импортированная сеть, чтобы классифицировать изображение. Импортированная сеть содержит слои, которые не поддерживаются для преобразования на встроенные слои MATLAB. Программное обеспечение автоматически генерирует пользовательские слои, когда вы импортируете эти слои.

Этот пример использует функцию помощника findCustomLayers. Чтобы просмотреть код для этой функции, смотрите Функцию Помощника.

Задайте папку модели.

if ~exist('digitsDAGnetwithnoise','dir')
    unzip('digitsDAGnetwithnoise.zip')
end
modelFolder = './digitsDAGnetwithnoise';

Задайте имена классов.

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

Импортируйте сеть TensorFlow в сохраненном формате модели. По умолчанию, importTensorFlowNetwork импортирует сеть как DAGNetwork объект. Задайте выходной тип слоя для проблемы классификации изображений.

net = importTensorFlowNetwork(modelFolder,'OutputLayerType','classification','Classes',classNames);

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation. Assembling network...
Import finished.

Если импортированная сеть содержит слои, не поддержанные для преобразования на встроенные слои MATLAB, то importTensorFlowNetwork может автоматически сгенерировать пользовательские слои вместо этих слоев. importTensorFlowNetwork сохраняет каждый сгенерированный пользовательский слой в отдельный .m файл в пакете +digitsDAGnetwithnoise в текущей папке.

Найдите индексы автоматически сгенерированных пользовательских слоев с помощью функции помощника findCustomLayers, и отобразите пользовательские слои.

ind = findCustomLayers(net.Layers,'+digitsDAGnetwithnoise');
net.Layers(ind)

ans = 
  2×1 Layer array with layers:

     1   'gaussian_noise_1'   GaussianNoise   digitsDAGnetwithnoise.kGaussianNoise1Layer3766
     2   'gaussian_noise_2'   GaussianNoise   digitsDAGnetwithnoise.kGaussianNoise2Layer3791

Постройте сетевую архитектуру.

plot(net)
title('DAG Network Architecture')

Считайте изображение, которое вы хотите классифицировать.

digitDatasetPath = fullfile(toolboxdir('nnet'),'nndemos','nndatasets','DigitDataset');
I = imread(fullfile(digitDatasetPath,'5','image4009.png'));

Классифицируйте изображение с помощью предварительно обученной сети.

label = classify(net,I);

Отобразите изображение и результат классификации.

imshow(I)
title(['Classification result ' char(label)])

function indices = findCustomLayers(layers,PackageName)

s = what(['.\' PackageName]);

indices = zeros(1,length(s.m));
for i = 1:length(layers)
    for j = 1:length(s.m)
        if strcmpi(class(layers(i)),[PackageName(2:end) '.' s.m{j}(1:end-2)])
            indices(j) = i;
        end
    end
end

end