Импорт предварительно подготовленной сети TensorFlow в сохраненном формате модели в виде LayerGraph объект. Затем выполните сборку импортированных слоев в DAGNetwork и используйте собранную сеть для классификации изображения.

Укажите папку модели.

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

Укажите имена классов.

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

Импортируйте слои и веса сети TensorFlow в сохраненном формате модели. По умолчанию importTensorFlowLayers импортирует сеть как LayerGraph объект совместим с DAGNetwork объект. Укажите тип выходного слоя для проблемы классификации изображений.

lgraph = importTensorFlowLayers(modelFolder,'OutputLayerType','classification')

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation

lgraph = 
  LayerGraph with properties:

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

Отображение последнего уровня импортированной сети. Выходные данные показывают, что importTensorFlowLayers добавляет ClassificationOutputLayer до конца сетевой архитектуры.

lgraph.Layers(end)

ans = 
  ClassificationOutputLayer with properties:

            Name: 'ClassificationLayer_activation_1'
         Classes: 'auto'
    ClassWeights: 'none'
      OutputSize: 'auto'

   Hyperparameters
    LossFunction: 'crossentropyex'

Слой классификации не содержит классов, поэтому их необходимо указать перед сборкой сети. Если классы не указаны, то программа автоматически устанавливает классы на 1, 2, ..., N, где N - количество классов.

Классификационный слой имеет имя 'ClassificationLayer_activation_1'. Установите классы в значение classNames а затем замените импортированный классификационный слой новым.

cLayer = lgraph.Layers(end);
cLayer.Classes = classNames;
lgraph = replaceLayer(lgraph,'ClassificationLayer_activation_1',cLayer);

Собрать график слоев с помощью assembleNetwork для возврата DAGNetwork объект.

net = assembleNetwork(lgraph)

net = 
  DAGNetwork with properties:

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

Прочитайте изображение, которое требуется классифицировать.

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

Классифицируйте изображение с помощью импортированной сети.

label = classify(net,I);

Отображение изображения и результата классификации.

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

Импорт предварительно подготовленной сети TensorFlow в сохраненном формате модели в виде LayerGraph объект совместим с dlnetwork объект. Затем преобразуйте LayerGraph объект в dlnetwork для классификации изображения.

Укажите папку модели.

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

Укажите имена классов.

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

Импортировать сеть TensorFlow как слои, совместимые с dlnetwork объект.

lgraph = importTensorFlowLayers(modelFolder,'TargetNetwork','dlnetwork')

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation

lgraph = 
  LayerGraph with properties:

         Layers: [12×1 nnet.cnn.layer.Layer]
    Connections: [12×2 table]
     InputNames: {'input_1'}
    OutputNames: {1×0 cell}

Прочтите изображение, которое требуется классифицировать, и отобразите размер изображения. Изображение представляет собой изображение в градациях серого (одноканальное) размером 28 на 28 пикселей.

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

ans = 1×2

    28    28

Преобразование импортированного графика слоев в dlnetwork объект.

dlnet = dlnetwork(lgraph);

Отображение входного размера сети. В этом случае размер изображения соответствует размеру сетевого ввода. Если они не совпадают, необходимо изменить размер изображения с помощью imresize(I, netInputSize(1:2)).

dlnet.Layers(1).InputSize

ans = 1×3

    28    28     1

Преобразование изображения в dlarray. Форматирование изображений с размерами 'SSCB' (пространственный, пространственный, канальный, пакетный). В этом примере размер партии равен 1, и его можно опустить ('SSC').

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

Классифицируйте образец изображения и найдите прогнозируемую метку.

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

Отображение изображения и результата классификации.

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

Импорт предварительно подготовленной сети TensorFlow в сохраненном формате модели в виде LayerGraph объект. Затем выполните сборку импортированных слоев в DAGNetwork объект. Импортированная сеть содержит слои, которые не поддерживаются для преобразования во встроенные слои MATLAB. При импорте этих слоев программа автоматически создает пользовательские слои.

В этом примере используется вспомогательная функция findCustomLayers. Для просмотра кода этой функции см. раздел Вспомогательная функция.

Укажите папку модели.

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

Укажите имена классов.

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

Импортируйте слои и веса сети TensorFlow в сохраненном формате модели. По умолчанию importTensorFlowLayers импортирует сеть как LayerGraph объект совместим с DAGNetwork объект. Укажите тип выходного слоя для проблемы классификации изображений.

lgraph = importTensorFlowLayers(modelFolder,'OutputLayerType','classification');

Importing the saved model...
Translating the model, this may take a few minutes...
Finished translation

Если импортированная сеть содержит слои, не поддерживаемые для преобразования во встроенные слои MATLAB, то importTensorFlowLayers может автоматически создавать пользовательские слои вместо этих слоев. importTensorFlowLayers сохраняет каждый созданный пользовательский слой в отдельный .m файл в пакете +digitsDAGnetwithnoise в текущей папке.

Поиск индексов автоматически создаваемых пользовательских слоев с помощью вспомогательной функции findCustomLayersи отобразить пользовательские слои.

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

ans = 
  2×1 Layer array with layers:

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

Слой классификации не содержит классов, поэтому их необходимо указать перед сборкой сети. Если классы не указаны, то программа автоматически устанавливает классы на 1, 2, ..., N, где N - количество классов.

Классификационный слой имеет имя 'ClassificationLayer_activation_1'. Установите классы в значение classNames а затем замените импортированный классификационный слой новым.

cLayer = lgraph.Layers(end);
cLayer.Classes = classNames;
lgraph = replaceLayer(lgraph,'ClassificationLayer_activation_1',cLayer);

Собрать график слоев с помощью assembleNetwork. Функция возвращает DAGNetwork объект, который готов к использованию для прогнозирования.

net = assembleNetwork(lgraph)

net = 
  DAGNetwork with properties:

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

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