Импорт предварительно подготовленной сети TensorFlow в сохраненном формате модели в виде DAGNetwork и используйте импортированную 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 сеть TensorFlow в сохраненном формате модели. По умолчанию importTensorFlowNetwork импортирует сеть как DAGNetwork объект. Укажите тип выходного 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 график сетевой архитектуры.

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

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

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)).

net.Layers(1).InputSize

ans = 1×3

    28    28     1

Классифицируйте изображение с помощью предварительно подготовленной сети.

label = classify(net,I);

Отображение изображения и результата классификации.

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

Импорт предварительно подготовленной сети TensorFlow в сохраненном формате модели в виде dlnetwork и используйте импортированную сеть для прогнозирования меток классов.

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'};

Импорт сети TensorFlow в сохраненном формате модели в виде 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

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

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)).

netInputSize = net.Layers(1).InputSize

netInputSize = 1×3

    28    28     1

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

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

Классифицируйте образец изображения и найдите прогнозируемую метку.

prob = predict(net,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 DAGNetwork и используйте импортированную сеть для классификации изображения. 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 сеть TensorFlow в сохраненном формате модели. По умолчанию importTensorFlowNetwork импортирует сеть как DAGNetwork объект. Укажите тип выходного 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 поддерживаемые для преобразования во встроенные слои MATLAB, то importTensorFlowNetwork может автоматически создавать пользовательские слои вместо этих слоев. importTensorFlowNetwork 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(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 график сетевой архитектуры.

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

Прочитайте изображение, которое требуется классифицировать.

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

Классифицируйте изображение с помощью предварительно подготовленной сети.

label = classify(net,I);

Отображение изображения и результата 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