addParameter

Добавьте параметр к ONNXParameters объект

Свернуть все на странице

    Синтаксис

    params = addParameter(params,name,value,type)
    params = addParameter(params,name,value,type,NumDimensions)

    Описание

    пример

    params = addParameter(params,name,value,type) добавляет сетевой параметр, заданный как name, value, и type на ONNXParameters params объекта. Возвращенный params объект содержит параметры модели входного параметра params вместе с добавленным параметром, сложенным последовательно. Добавленный параметр name должны быть уникальными, непустыми и отличаться от имен параметров в params.

    params = addParameter(params,name,value,type,NumDimensions) добавляет сетевой параметр, заданный как name, value, type, и NumDimensions на params.

    Примеры

    свернуть все

    Этот пример использует:

    Открыть Live Script

    Импортируйте сеть, сохраненную в формате ONNX, как функцию и измените сетевые параметры.

    Импортируйте предварительно обученную simplenet3fc.onnx сеть как функция. simplenet3fc является простой сверточной нейронной сетью, обученной на данных цифрового изображения. Для получения дополнительной информации о том, как создать сеть, подобную simplenet3fc, см. «Создание простой сети классификации изображений».

    Импортируйте simplenet3fc.onnx использование importONNXFunction, который возвращает ONNXParameters объект, который содержит сетевые параметры. Функция также создает новую функцию модели в текущей папке, которая содержит сетевую архитектуру. Укажите имя функции модели следующим simplenetFcn. 

    params = importONNXFunction('simplenet3fc.onnx','simplenetFcn');
    A function containing the imported ONNX network has been saved to the file simplenetFcn.m.
To learn how to use this function, type: help simplenetFcn.

    Отображение параметров, которые обновляются во время обучения (params.Learnables) и параметры, которые остаются неизменными во время обучения (params.Nonlearnables).

    params.Learnables
    ans = struct with fields:
    imageinput_Mean: [1×1 dlarray]
             conv_W: [5×5×1×20 dlarray]
             conv_B: [20×1 dlarray]
    batchnorm_scale: [20×1 dlarray]
        batchnorm_B: [20×1 dlarray]
             fc_1_W: [24×24×20×20 dlarray]
             fc_1_B: [20×1 dlarray]
             fc_2_W: [1×1×20×20 dlarray]
             fc_2_B: [20×1 dlarray]
             fc_3_W: [1×1×20×10 dlarray]
             fc_3_B: [10×1 dlarray]


    params.Nonlearnables
    ans = struct with fields:
            ConvStride1004: [2×1 dlarray]
    ConvDilationFactor1005: [2×1 dlarray]
           ConvPadding1006: [4×1 dlarray]
            ConvStride1007: [2×1 dlarray]
    ConvDilationFactor1008: [2×1 dlarray]
           ConvPadding1009: [4×1 dlarray]
            ConvStride1010: [2×1 dlarray]
    ConvDilationFactor1011: [2×1 dlarray]
           ConvPadding1012: [4×1 dlarray]
            ConvStride1013: [2×1 dlarray]
    ConvDilationFactor1014: [2×1 dlarray]
           ConvPadding1015: [4×1 dlarray]

    Сеть имеет параметры, которые представляют три полносвязных слоев. Можно добавить полносвязного слоя в исходные параметры params между слоями fc_2 и fc_3. Новый слой может повысить точность классификации.

    Чтобы увидеть параметры сверточных слоев fc_2 и fc_3, откройте функцию model simplenetFcn.

    open simplenetFcn

    Прокрутка вниз к определениям слоев в функции simplenetFcn. В коде ниже показаны определения для слоев fc_2 и fc_3.

    % Conv:
[weights, bias, stride, dilationFactor, padding, dataFormat, NumDims.fc_2] = prepareConvArgs(Vars.fc_2_W, Vars.fc_2_B, Vars.ConvStride1010, Vars.ConvDilationFactor1011, Vars.ConvPadding1012, 1, NumDims.fc_1, NumDims.fc_2_W);
Vars.fc_2 = dlconv(Vars.fc_1, weights, bias, 'Stride', stride, 'DilationFactor', dilationFactor, 'Padding', padding, 'DataFormat', dataFormat);

% Conv:
[weights, bias, stride, dilationFactor, padding, dataFormat, NumDims.fc_3] = prepareConvArgs(Vars.fc_3_W, Vars.fc_3_B, Vars.ConvStride1013, Vars.ConvDilationFactor1014, Vars.ConvPadding1015, 1, NumDims.fc_2, NumDims.fc_3_W);
Vars.fc_3 = dlconv(Vars.fc_2, weights, bias, 'Stride', stride, 'DilationFactor', dilationFactor, 'Padding', padding, 'DataFormat', dataFormat);

    Назовите новый слой fc_4, поскольку каждое добавленное имя параметра должно быть уникальным. The addParameter функция всегда добавляет новый параметр последовательно к params.Learnables или params.Nonlearnables структура. Порядок слоев в функции модели simplenetFcn определяет порядок выполнения слоев сети. Имена и порядок параметров не влияют на порядок выполнения.

    Добавьте новый полносвязный слой fc_4 с теми же параметрами, что и fc_2.

    params = addParameter(params,'fc_4_W',params.Learnables.fc_2_W,'Learnable');
params = addParameter(params,'fc_4_B',params.Learnables.fc_2_B,'Learnable');
params = addParameter(params,'fc_4_Stride',params.Nonlearnables.ConvStride1010,'Nonlearnable');
params = addParameter(params,'fc_4_DilationFactor',params.Nonlearnables.ConvDilationFactor1011,'Nonlearnable');
params = addParameter(params,'fc_4_Padding',params.Nonlearnables.ConvPadding1012,'Nonlearnable');

    Отобразите обновленные параметры learnable и nonlearnable.

    params.Learnables
    ans = struct with fields:
    imageinput_Mean: [1×1 dlarray]
             conv_W: [5×5×1×20 dlarray]
             conv_B: [20×1 dlarray]
    batchnorm_scale: [20×1 dlarray]
        batchnorm_B: [20×1 dlarray]
             fc_1_W: [24×24×20×20 dlarray]
             fc_1_B: [20×1 dlarray]
             fc_2_W: [1×1×20×20 dlarray]
             fc_2_B: [20×1 dlarray]
             fc_3_W: [1×1×20×10 dlarray]
             fc_3_B: [10×1 dlarray]
             fc_4_W: [1×1×20×20 dlarray]
             fc_4_B: [20×1 dlarray]


    params.Nonlearnables
    ans = struct with fields:
            ConvStride1004: [2×1 dlarray]
    ConvDilationFactor1005: [2×1 dlarray]
           ConvPadding1006: [4×1 dlarray]
            ConvStride1007: [2×1 dlarray]
    ConvDilationFactor1008: [2×1 dlarray]
           ConvPadding1009: [4×1 dlarray]
            ConvStride1010: [2×1 dlarray]
    ConvDilationFactor1011: [2×1 dlarray]
           ConvPadding1012: [4×1 dlarray]
            ConvStride1013: [2×1 dlarray]
    ConvDilationFactor1014: [2×1 dlarray]
           ConvPadding1015: [4×1 dlarray]
               fc_4_Stride: [2×1 dlarray]
       fc_4_DilationFactor: [2×1 dlarray]
              fc_4_Padding: [4×1 dlarray]

    Измените архитектуру функции модели, чтобы отразить изменения в params таким образом можно использовать сеть для предсказания с новыми параметрами или переобучить сеть. Откройте функцию model simplenetFcn. Затем добавьте полносвязного слоя fc_4 между слоями fc_2 и fc_3и изменяйте входные данные операции свертки dlconv для fc_3 слоев на Vars.fc_4.

    open simplenetFcn

    В коде ниже показан новый слой fc_4 в своем положении, а также слоях fc_2 и fc_3.

    % Conv:
[weights, bias, stride, dilationFactor, padding, dataFormat, NumDims.fc_2] = prepareConvArgs(Vars.fc_2_W, Vars.fc_2_B, Vars.ConvStride1010, Vars.ConvDilationFactor1011, Vars.ConvPadding1012, 1, NumDims.fc_1, NumDims.fc_2_W);
Vars.fc_2 = dlconv(Vars.fc_1, weights, bias, 'Stride', stride, 'DilationFactor', dilationFactor, 'Padding', padding, 'DataFormat', dataFormat);

% Conv
[weights, bias, stride, dilationFactor, padding, dataFormat, NumDims.fc_4] = prepareConvArgs(Vars.fc_4_W, Vars.fc_4_B, Vars.fc_4_Stride, Vars.fc_4_DilationFactor, Vars.fc_4_Padding, 1, NumDims.fc_2, NumDims.fc_4_W);
Vars.fc_4 = dlconv(Vars.fc_2, weights, bias, 'Stride', stride, 'DilationFactor', dilationFactor, 'Padding', padding, 'DataFormat', dataFormat);

% Conv:
[weights, bias, stride, dilationFactor, padding, dataFormat, NumDims.fc_3] = prepareConvArgs(Vars.fc_3_W, Vars.fc_3_B, Vars.ConvStride1013, Vars.ConvDilationFactor1014, Vars.ConvPadding1015, 1, NumDims.fc_4, NumDims.fc_3_W);
Vars.fc_3 = dlconv(Vars.fc_4, weights, bias, 'Stride', stride, 'DilationFactor', dilationFactor, 'Padding', padding, 'DataFormat', dataFormat);

    Входные параметры

    свернуть все

    Параметры сети, заданные как ONNXParameters объект. params содержит сетевые параметры импортированной модели ONNX™.

    Имя параметра, заданное как вектор символов или строковый скаляр.

    Пример: 'conv2_W'

    Пример: 'conv2_Padding'

    Значение параметра, заданное как числовой массив, вектор символов или строковый скаляр. Чтобы дублировать существующий слой сети (хранится в params), скопируйте значения параметров слоя сети.

    Пример: params.Learnables.conv1_W

    Пример: params.Nonlearnables.conv1_Padding

    Типы данных: single | double | char | string

    Тип параметра, заданный как 'Learnable', 'Nonlearnable', или 'State'.

    • Значение 'Learnable' задает параметр, который обновляется сетью во время обучения (для примера, весов и смещения свертки).

    • Значение 'Nonlearnable' задает параметр, который остается неизменным во время сетевого обучения (для примера, заполнения).

    • Значение 'State' задает параметр, который содержит информацию, запоминаемую сетью между итерациями и обновляемую через несколько обучающих пакетов.

    Типы данных: char | string

    Количество размерностей для каждого параметра, заданное как структура. NumDimensions включает конечные синглтонные размерности.

    Пример: params.NumDimensions.conv1_W

    Пример: 4

    Выходные аргументы

    свернуть все

    Параметры сети, возвращенные как ONNXParameters объект. params содержит параметры сети, обновленные addParameter.

    См. также

    | |

    Введенный в R2020b

    Документация по Deep Learning Toolbox

    Поддержка

    Для просмотра документации необходимо авторизоваться на сайте