Импорт слоев из сети ONNX
layers = importONNXLayers(modelfile)modelfile. Можно обучить импортированные слои новому набору данных или собрать слои в сеть, готовую к прогнозированию.
Для этой функции требуется пакет поддержки Deep Learning Toolbox™ Converter для формата модели ONNX. Если этот пакет поддержки не установлен, функция предоставляет ссылку для загрузки.
layers = importONNXLayers(modelfile,Name,Value)
Например, importONNXLayers(modelfile,'ImportWeights',false) импортирует сетевую архитектуру без весов из файла modelfile.
Загрузите и установите пакет поддержки Deep Learning Toolbox Converter для формата модели ONNX.
Напечатать importONNXLayers в командной строке.
importONNXLayers
Если конвертер Deep Learning Toolbox Converter для формата модели ONNX не установлен, то функция предоставляет ссылку на необходимый пакет поддержки в обозревателе Add-On. Чтобы установить пакет поддержки, щелкните ссылку и нажмите кнопку Установить. Убедитесь, что установка выполнена успешно, импортировав сеть из файла модели 'cifarResNet.onnx' в командной строке. Если пакет поддержки установлен, 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]Импорт архитектуры и весов остаточной нейронной сети, обученной на CIFAR-10 наборе данных. Укажите файл, содержащий сеть ONNX, и тип выходного уровня для добавления в импортированную сеть.
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]
InputNames: {'Input_input'}
OutputNames: {'ClassificationLayer_softmax'}
Проанализируйте импортированную сетевую архитектуру.
analyzeNetwork(lgraph)
Импорт сети ONNX с несколькими выходами с помощью importONNXLayers. Функция вставляет слои-заполнители для выходных данных. После импорта можно найти и заменить слои-заполнители с помощью findPlaceholderLayers и replaceLayerсоответственно.
Укажите сетевой файл для импорта слоев и весов.
modelfile = 'digitsMIMO.onnx';Сеть в digitsMIMO.onnx имеет два выходных слоя: один классификационный слой для классификации цифр и один регрессионный слой для вычисления среднеквадратичной ошибки для прогнозируемых углов цифр. Импорт слоев и весов из 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 отображает предупреждение и вставляет слои-заполнители для выходных слоев.
Печать графика слоев с помощью plot.
plot(layers)
График слоев имеет два выходных слоя: Output_fc_1_Flatten и Output_sm_1. Эти два слоя являются местозаполнителями выходных данных. Слои-заполнители можно проверить, просмотрев Layers или с помощью findPlaceholderLayers функция.
layers.Layers
ans =
19×1 Layer array with layers:
1 'Input_input' Image Input 28×28×1 images
2 'conv_1' Convolution 16 5×5×1 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 1×1×16 convolutions with stride [2 2] and padding [0 0 0 0]
6 'conv_3' Convolution 32 3×3×16 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 3×3×32 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 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0]
14 'fc_2' Convolution 10 14×14×32 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 =
2×1 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 для замены слоев-заполнителей. Сначала создайте классификационный слой с именем Output_sm_1. Укажите классы выходного слоя как 0, 1, ..., 9. Если классы не указаны, программа автоматически устанавливает для них значение 1, 2, ..., N, где N - количество классов.
output1 = classificationLayer('Name','Output_sm_1','Classes',string(0:9));
Создание регрессионного слоя с именем Output_fc_1_Flatten.
output2 = regressionLayer('Name','Output_fc_1_Flatten');
Заменить слои-заполнители на output1 и output2 использование replaceLayer.
layers = replaceLayer(layers,'Output_sm_1',output1); layers = replaceLayer(layers,'Output_fc_1_Flatten',output2);
Отображение Layers свойство графа слоев для подтверждения замены.
layers.Layers
ans =
19×1 Layer array with layers:
1 'Input_input' Image Input 28×28×1 images
2 'conv_1' Convolution 16 5×5×1 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 1×1×16 convolutions with stride [2 2] and padding [0 0 0 0]
6 'conv_3' Convolution 32 3×3×16 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 3×3×32 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 14×14×32 convolutions with stride [1 1] and padding [0 0 0 0]
14 'fc_2' Convolution 10 14×14×32 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
Собрать график слоев с помощью assembleNetwork. Функция возвращает DAGNetwork объект, который готов к использованию для прогнозирования.
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'}
importONNXLayers поддерживает следующие версии ONNX:
Функция поддерживает промежуточное представление ONNX версии 6.
Функция полностью поддерживает аппараты операторов ONNX 6, 7, 8 и 9.
Функция обеспечивает ограниченную поддержку аппаратов оператора ONNX 10 и 11.
Примечание
При импорте экспортированной сети слои повторно импортированной сети могут отличаться от исходной сети и могут не поддерживаться.
Если сеть ONNX содержит слой, который не поддерживает конвертер Deep Learning Toolbox для формата модели ONNX (см. Поддерживаемые слои ONNX), то importONNXLayers вставляет слой-заполнитель вместо неподдерживаемого слоя. Чтобы найти имена и индексы неподдерживаемых слоев в сети, используйте findPlaceholderLayers функция. Затем можно заменить слой-местозаполнитель новым слоем, определенным пользователем. Для замены слоя используйте replaceLayer. Пример см. в разделе Импорт и сборка сети ONNX с несколькими выходами.
Можно импортировать сеть ONNX с несколькими входами и несколькими выходами. Если сеть имеет несколько входов и один выход, используйте importONNXNetwork. Если сеть имеет несколько выходов, используйте importONNXLayers. importONNXLayers функция вставляет слои-заполнители для выходных данных. После импорта можно найти и заменить слои-заполнители с помощью findPlaceholderLayers и replaceLayerсоответственно. Пример см. в разделе Импорт и сборка сети ONNX с несколькими выходами. Сведения о сети глубокого обучения с несколькими входами и несколькими выходами см. в разделе Сети с несколькими входами и несколькими выходами.
Чтобы использовать предварительно обученную сеть для прогнозирования или переноса обучения на новых изображениях, необходимо предварительно обработать изображения таким же образом, как и изображения, использованные для обучения импортированной модели. Наиболее распространенными этапами предварительной обработки являются изменение размеров изображений, вычитание средних значений изображений и преобразование изображений из изображений BGR в RGB.
Дополнительные сведения о предварительной обработке изображений для обучения и прогнозирования см. в разделе Предварительная обработка изображений для глубокого обучения.
assembleNetwork | exportONNXNetwork | findPlaceholderLayers | importCaffeLayers | importCaffeNetwork | importKerasLayers | importKerasNetwork | importONNXFunction | importONNXNetwork | importTensorFlowLayers | importTensorFlowNetwork | replaceLayer